机器学习加速了具有刺激效应的材料的非adiabatic动态模拟
Sheng-Rui Wang1, Qiu Fang1, Xiang-Yang Liu2
1Key Laboratory of Theoretical and Computational Photochemistry, Ministry of Education, College of Chemistry, Beijing Normal University, Beijing 100875, China.
The Journal of chemical physics
|January 8, 2025
概括
本研究引入了一种机器学习 (ML) 方法,以加快复杂材料动态的模拟. 机器学习方法可以在不损失精度的情况下,将非辅助动力学模拟加速100倍以上.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 量子力学就是量子力学.
背景情况:
- 在具有激发效应的复杂材料中模拟非相应动力学是计算上昂贵的.
- 精确预测激发状态属性和非合性合对于理解光诱导过程至关重要.
研究的目的:
- 开发一种高效的机器学习 (ML) 方法来模拟非adiabatic动态.
- 将ML模型与简化塔姆-丹科夫近似 (sTDA) 集成为加速计算.
- 为了能够准确和快速模拟大型材料系统中的光诱导动力学.
主要方法:
- 利用ML模型来预测来自未汇的Kohn-Sham (KS) 哈密尔顿人的地面状态波函数.
- 使用ML预测的KS哈密尔顿数进行基于sTDA的兴奋状态计算 (sTDA/ML).
- 使用sTDA/ML方法进行非adiabatic分子动力学模拟.
主要成果:
- 与sTDA/DFT相比,sTDA/ML计算显示了高精度的兴奋状态能量,非adiabatic合和吸收光谱.
- 在非adiabatic分子动力学模拟中实现了超过100倍的加速,用于量子点和黑.
- 在不影响模拟准确性的情况下,证明了计算节省.
结论:
- 通过ML加速的stda方法为研究复杂材料动态提供了强大的工具.
- 这种方法大大降低了大型系统的计算成本,使得更广泛的研究.
- 强调了机器学习在推进计算材料科学和光物理学的潜力.
