Feb, 2018
神经网络 Kohn-Sham 交换相关势及其超出训练的可转移性
Neural-network Kohn-Sham exchange-correlation potential and its out-of-training transferability
Ryo Nagai, Ryosuke Akashi, Shu Sasaki, Shinji Tsuneyuki
TL;DR通过将经过训练的神经网络投影到电荷密度分布上，得到 Hartree-exchange-correlation potential $n
ightarrow V_{m Hxc}$，从而实现对精确 Kohn-Sham 方案的可能数值逼近。与一个简单模型进行研究表明，良好训练的神经网络 $V_{m Hxc}$ 可以精确评估电荷密度和总能量，其精度超出了用于训练的模型参数范围，说明机器学习构建可以近似地封装理想的 $V_{m Hxc}$ 功能形式的属性。同时表明，一种在模型参数空间边界处具有重要限制的因素可以通过设置跨越该界限的培训参数范围来解决。该研究对于更一般的体系适用，并为数值有效的 Kohn-Sham 电位开辟了一条新的途径。