Jul, 2013

如何为机器学习表示晶体结构：实现电子性能的快速预测

PDF
TL;DR本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。
发现论文，激发创造
  • 欧几里得神经网络直接预测声子态密度

    本论文利用欧氏神经网络，输入仅为原子种类和位置，直接预测晶体固体中的声子态密度。通过该方法，可以高效地探索材料的声子结构，并能进一步快速筛选出高性能的热储存材料和声子介导超导体。

    Sep, 2020

  • 用于机器学习模型的形成能晶体结构表示

    本文介绍和评估了一组特征向量表示晶体结构的机器学习 (ML) 模型，来预测固体的形成能。通过考虑三种方法将一个 Coulomb 矩阵推广到周期系统，则通过使用具有曼哈顿范数的拉普拉斯核的测试，对于由 Materials Project 所获得的 3938 个晶体结构的数据集进行训练。

    Mar, 2015

  • 分子电子结构的多任务学习方法接近耦合群精确度

    发展了一种统一的机器学习方法，用于有机分子的电子结构，使用 CCSD (T) 计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

    May, 2024

  • 物理约束机器学习中的电子激发态

    数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

    Nov, 2023

  • 为硅开发通用的原子间位能机器学习模型

    本文提出了一种使用基于机器学习思想的高斯近似势的方法，成功地对硅材料进行了量子力学计算，从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。

    May, 2018

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 利用深度神经网络加速有限温度 Kohn-Sham 密度泛函理论

    本研究提出了一种新的基于机器学习的数值模拟工作流，通过深度神经网络构建局部态密度来计算一系列相关量，包括可用作原子的 Born-Oppenheimer 势能面的总自由能，从而实现了在计算速度和规模上远超传统方法的多尺度材料建模。

    Oct, 2020

  • 机器学习逼近密度泛函理论哈密顿量

    通过机器学习和 kernel ridge regression 方法，提出一种快速且准确的预测 DFT 哈密顿量的方法，可适用于各种所需的材料系统，并与 DFT 计算结果进行比较。

    Sep, 2016

  • 数据驱动的晶体结构预测的潜在保守目标模型

    在本文中，我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型，并对其参数进行优化的方法，提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化，我们展示了该方法在结构预测成功率方面与最佳现有方法相当，并大幅度减少了计算成本。

    Oct, 2023

  • 机器学习提高密度泛函近似的准确性

    机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确性方面的最新进展，并通过将有希望的模型应用于训练集之外的系统的例子，讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。

    Nov, 2023