黑盒子与灰盒子:比较卢和卢氧化物的GAP和GPrep-DFTB

科学领域:

• 计算材料科学 计算材料科学
• 机器学习在物理学中的应用
• 量子化学模拟的量子化学模拟

背景情况:

• 机器学习 (ML) 原子间潜力能够进行大规模的模拟,但缺乏明确的电子结构.
• 混合"灰色盒子"模型将ML与电子结构方法集成为全面的建模.
• 这种方法避免了为不同的物理性质开发单独的ML模型.

研究的目的:

• 为了比较混合模型,高斯过程回归与密度功能紧密结合 (GPrep-DFTB),与黑子ML潜力 (高斯近似潜力).
• 根据准确性,推断能力和数据效率来评估性能.
• 评估这些模型用于金属 (Ru) 和二氧化 (RuO2) 系统.

主要方法:

• 使用密度功能紧密结合 (DFTB) 与高斯过程回归 (GPR) 结合用于排斥潜力 (GPrep-DFTB).
• 将GPrep-DFTB与高斯近似潜力 (GAP) 进行比较.
• 使用相同的Ru和RuO2训练数据集评估性能.

主要成果:

• 无论是GPrep-DFTB还是GAP,对于训练集和类似的化学环境,都表现出了可比的准确性.
• 与GAP相比,GPrep-DFTB显示数据效率略高.
• 对于二进制RuO2系统而言,GPrep-DFTB的推断功率不如纯 Ru 强,可能是由于电子参数化问题.

结论:

• 混合GPrep-DFTB模型为黑子ML潜力提供了可行的替代方案,提供了可比的准确性与改进的数据效率.
• 谨慎的电子参数化对于在复杂系统中保持混合模型的稳定性和推断能力至关重要.
• 这项研究强调了材料建模中的混合和黑子ML方法之间的权衡.