集群-MLP:一种积极学习的遗传算法框架,用于加速发现纯和合金纳米集群的全球最小配置

科学领域:

• 计算化学是一种计算化学.
• 材料科学是一种材料科学.
• 机器学习 机器学习

背景情况:

• 纳米集群的结构特征是具有挑战性的,因为有众多的原子配置.
• 遗传算法 (GA) 用于找到全球最小配置,但DFT计算在计算上昂贵.
• 机器学习潜力 (MLP) 提供了一个比DFT更便宜的计算替代方案,但需要高质量的训练数据.

研究的目的:

• 开发一个有效的框架,以加速寻找纳米集群的全球最小值.
• 将主动学习 (AL) 策略与GA和MLP集成,以提高准确性和降低计算成本.
• 介绍一下Cluster-MLP,这是一个使用Flare++ MLP的随机AL-GA框架.

主要方法:

• 开发了Cluster-MLP,这是一个即时的积极学习遗传算法框架.
• 采用Flare++机器学习潜力 (MLP) 进行精确的能源预测.
• 使用了与DEAP集成的经过修改的伯明翰平行遗传算法 (BPGA).

主要成果:

• 该AL框架显著减少了计算上昂贵的DFT计算.
• 集群MLP成功地加速了纳米集群中全球最小值的GA搜索.
• 无论是AL-GA还是DFT-GA方法,对测试的集群都预测了相同的全球最小值.

结论:

• 集群MLP为纳米集群全球最小结构预测提供了计算效率高,准确的方法.
• 与GA和MLP集成的积极学习是克服DFT局限性的可行策略.
• 该框架适用于纯纳米集群和合金纳米集群.