机器学习 哈巴德参数与等价神经网络
Martin Uhrin1,2, Austin Zadoks1, Luca Binci1,3
1Theory and Simulation of Materials (THEOS), and National Centre for Computational Design and Discovery of Novel Materials (MARVEL), École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland.
我们开发了一个机器学习模型来预测复杂材料的哈巴德U和V参数. 这种方法可以显著加快计算速度,同时保持高精度,有助于材料的发现.
科学领域:
- 计算材料科学科学 计算材料科学
- 量子化学 是一个量子化学.
- 机器学习在物理学中的应用
背景情况:
- 使用扩展的哈伯德函数 (DFT+U+V) 的密度函数理论准确地描述了具有过渡金属或稀土元素的复杂材料.
- 准确预测DFT+U+V需要精确的现场 (U) 和现场间 (V) 哈伯德参数,通常通过计算昂贵的第一原则计算来确定.
- 现有的参数确定方法包括半经验调整或严格但耗时的初始计算.
研究的目的:
- 开发一种机器学习模型,以快速准确地预测哈伯德U和V参数.
- 为了规避与传统的DFT+U+V参数计算相关的计算成本.
- 通过高通量计算选加速材料发现和设计.
主要方法:
- 利用在原子职业矩阵上训练的等价神经网络作为描述符.
- 描述器捕获电子结构,局部化学环境和氧化状态.
- 通过在密度函数扰动理论 (DFPT) 中自相一致的线性响应计算计算的哈伯德参数的有针对性的预测.
主要成果:
- 机器学习模型实现了Hubbard U的3%和Hubbard V参数的5%的平均绝对相对误差.
- 该模型使用来自12种不同的材料的数据进行训练,在不同的晶体结构和组成中展示了强度.
- 预测接近DFPT计算的准确性,但计算开销显著减少.
结论:
- 开发的机器学习模型为预测哈巴德参数提供了一个计算效率高,准确的替代方案.
- 它的高可转移性促进了技术应用的加速材料发现和设计.
- 这种方法绕过了昂贵的自相一致的DFT或DFPT协议,使材料设计更快.
更多相关视频
08:51Author Spotlight: Unveiling Neural Mechanisms Through Automated Evaluation of Motor Learning and Myelin Plasticity Studies Using the Erasmus Ladder
Published on: December 15, 2023
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
相关概念视频
Multi-input and Multi-variable systems
In the absence...
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...
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Woodward–Hoffmann Selection Rules and Microscopic Reversibility
Statistical Inference Techniques in Hypothesis Testing: Parametric Versus Nonparametric Data
Parametric statistics, as the name suggests, assumes that data follow a specific distribution, often a normal distribution. This assumption enables robust hypothesis testing and estimation. Parametric methods, like the Student's t-test or Goodness-of-fit test, are frequently employed in biostatistics due to their robustness. For instance,...
Propagation of Uncertainty from Systematic Error
