用于通过机器学习提取高阶力常数的 hiPhive 软件包
材料科学
2020-08-03 v3 计算物理
摘要
力常数（FCs）的高效提取对于分析许多热力学材料性质至关重要。基于有限差分系统枚举的方法随体系大小扩展性差，且当输入数据来自第一性原理计算时很少能扩展到三阶以上。另一方面，基于原子间势参数拟合思想的方法可从高信息密度的半随机构型中提取 FC 参数，且先进的正则化回归方法能从有限数据中恢复物理解。在此，我们介绍 hiPhive Python 软件包，它支持构建任意阶的力常数模型。hiPhive 利用晶体对称性减少自由参数数目，随后采用先进的机器学习算法提取力常数。根据所处理的问题，过定与欠定系统均可被高效处理。所得到的力常数可直接分析，或用于例如分子动力学模拟。该方法的实用性通过若干示例得以展示，包括 MoS 的理想与缺陷单层以及块体镍。
引用
@article{arxiv.1811.09267,
title = {The hiphive package for the extraction of high-order force constants by machine learning},
author = {Fredrik Eriksson and Erik Fransson and Paul Erhart},
journal= {arXiv preprint arXiv:1811.09267},
year = {2020}
}