基于机器学习的亚稳多晶型结构的振动性质研究
材料科学
2018-03-28 v1
摘要
尽管振动性质对于从头预测固体的有限温度稳定性和输运性质至关重要，但由于计算成本高昂，将其纳入从头算材料库一直受到阻碍。在此我们通过展示以下内容来应对这一挑战：利用机器学习，可以根据原子平衡位置的知识快速实现对力常数和振动性质的良好估计。仅在 KZnF 的 121 个亚稳态结构上训练的随机森林算法，其原子间力常数的最大绝对误差达到 0.17 eV/，并且比为此类化合物训练完整的力场要便宜得多。然后，预测的力常数被用于估计声子谱特征、热容、振动熵和振动自由能，这些结果与从头算结果吻合良好。该方法可用于快速估计有限温度下的稳定性。
引用
@article{arxiv.1803.09827,
title = {Vibrational properties of metastable polymorph structures by machine learning},
author = {Fleur Legrain and Ambroise van Roekeghem and Stefano Curtarolo and Jesus Carrete and Georg K. H. Madsen and Natalio Mingo},
journal= {arXiv preprint arXiv:1803.09827},
year = {2018}
}
备注
18 pages, 4 figures