机器学习模型用于预测哈伯德U参数及其对Fe-O系统的应用
Wenming Xia1,2,3, Guo Chen1,2, Yuanqin Zhu1,2
1Key Laboratory of Materials Physics, Institute of Solid State Physics, HFIPS, Chinese Academy of Sciences, Hefei 230031, China.
一种新的机器学习方法准确地预测了铁氧化物的哈伯德U参数,改善了密度函数理论计算,并协助了高压相研究.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 凝聚物质物理学 凝聚物质物理学
背景情况:
- 密度函数理论 (DFT) 方法经常与电子自我相互作用错误作斗争.
- 哈伯德U参数对于在局部和半局部函数中纠正这些错误至关重要.
- 准确有效地确定哈伯德U参数仍然是一个重大挑战.
研究的目的:
- 开发一种基于机器学习的方法来预测铁氧化物中的哈伯德U参数.
- 建立结构指纹与从线性响应方法获得的U值之间的相关性.
- 为了提高DFT计算铁氧化物属性的准确性和效率.
主要方法:
- 机器学习将结构指纹与U值相匹配.
- 使用线性响应受约束密度函数理论对U的评估.
- 开发的方法应用于瓦斯,血和磁.
- 在各种压力下重新定义凸船体的Fe-O系统.
主要成果:
- 机器学习方法准确地预测了哈伯德大学的铁氧化物.
- 石,血石和磁石的计算性质与实验数据和混合功能结果有很好的一致性.
- 对Fe-O系统在0,50和100 GPa的重新定义的凸船体与实验观测结果一致.
- 对Fe2O3和Fe3O4.4的高压阶段辩论提供了洞察力.
结论:
- 开发的机器学习方法提供了一种计算效率高,准确的方法来确定Hubbard U参数.
- 这种方法提高了DFT对氧化铁材料的预测能力.
- 这些发现有助于更好地了解高压下氧化铁相稳定性.
更多相关视频
08:55Methods of Ex Situ and In Situ Investigations of Structural Transformations: The Case of Crystallization of Metallic Glasses
Published on: June 7, 2018
06:45Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
Published on: March 8, 2024
相关概念视频
Ferromagnetism
Predicting Molecular Geometry
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Predicting Reaction Outcomes
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Fermi Level Dynamics
Electron affinity in semiconductors refers to the energy gap between the minimum of its conduction band and the vacuum level and it is a critical parameter in determining how easily a semiconductor can accept additional electrons.
The work...
