用于建模杂化纳米多孔材料的可迁移可扩展机器学习原子电荷
计算物理
2020-09-01 v2
摘要
纳米多孔材料作为吸附相关应用的新兴平台已引起极大关注。高通量计算筛选已成为评估数千种候选材料性能的标准技术，但其精度高度依赖于部分电荷分配方法。在本研究中，我们提出一种机器学习模型，能够兼顾两类主要方法的优势——密度衍生静电与化学电荷（DDEC）方法的高精度与电荷平衡（Qeq）方法的可扩展性。预测部分电荷与原始DDEC对应值的绝对平均偏差达到了0.01e的优异水平。该模型最初为金属有机框架设计，也能以可接受精度为另一类纳米多孔材料共价有机框架分配电荷。由机器学习衍生电荷计算的二氧化碳吸附性质与DDEC电荷所得的参考数据一致。
引用
@article{arxiv.1905.12098,
title = {Transferable and extensible machine learning derived atomic charges for modeling hybrid nanoporous materials},
author = {Vadim Korolev and Artem Mitrofanov and Ekaterina Marchenko and Nickolay Eremin and Valery Tkachenko and Stepan Kalmykov},
journal= {arXiv preprint arXiv:1905.12098},
year = {2020}
}
备注
13 pages, 9 figures