来自无轨道密度函数理论的Kohn-Sham准确度通过Δ-机器学习
Shashikant Kumar1, Xin Jing1,2, John E Pask3
1College of Engineering, Georgia Institute of Technology, Atlanta, Georgia 30332, USA.
一个新的机器学习模型增强了无轨密度函数理论 (DFT) 计算,以实现Kohn-Sham准确性. 这种方法提高了分子动力学模拟和材料科学应用的准确性和效率.
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.
- 机器学习是机器学习.
背景情况:
- 无轨密度函数理论 (DFT) 提供了计算效率,但缺乏准确性.
- 科恩-夏姆DFT提供了更高的准确性,但在计算上是昂贵的.
- 弥合这种准确性-效率差距对于大规模模拟至关重要.
研究的目的:
- 开发一种机器学习模型,使用无轨道DFT计算实现Kohn-Sham DFT准确性.
- 为了提高在无轨 DFT 中的能量和力的精度.
- 为了实现高效和准确的分子动力学模拟.
主要方法:
- 使用基于内核的机器学习力场 (MLFF) 实现Delta机器学习模型.
- 捕获Kohn-Sham和无轨DFT之间的能量和力差异.
- 飞行中的分子动力学模拟用于准确性和性能评估.
主要成果:
- 德尔塔-MLFF模型显著提高了Thomas-Fermi-von Weizsäcker轨道自由能量和力量的精度,超过两个数量级.
- 拟议的模型在精度上优于仅基于Kohn-Sham DFT的MLFF.
- 与现有方法相比,该模型显示出更高的效率和较低的参数灵敏度.
结论:
- 德尔塔-MLFF方法成功地弥合了无轨和Kohn-Sham DFT之间的精度差距.
- 这种方法为材料科学中准确预测提供了一个计算效率高的途径.
- 对化Al0.88Si0.12的应用表明没有聚合,验证了该模型的预测能力.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
Hybridization of Atomic Orbitals II
Hybridization of Atomic Orbitals I
Molecular Orbital Theory II
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Molecular Orbital Theory I
Valence Bond Theory and Hybridized Orbitals
A σ bond (single bond in a Lewis structure) is a covalent bond in which the electron density is...
