Статья "On-the-Fly Machine Learning of Atomic Potential in Density Functional Theory Structure Optimization" исследует применение машинного обучения (МL) для оптимизации структур в теории функционала

Статья "On-the-Fly Machine Learning of Atomic Potential in Density Functional Theory Structure Optimization" исследует применение машинного обучения (МL) для оптимизации структур в теории функционала плотности (DFT). Авторы, Т. Л. Якобсен, М. С. Йоргенсен и Б. Хаммер, сосредотачиваются на реконструкции SnO?(110)-(4 ? 1) и демонстрируют, как МL может значительно ускорить процесс поиска глобального минимума энергии с помощью эволюционных алгоритмов. Модель МL обучается на данных о структуре и общей энергии, что позволяет не только ускорить поиск, но и выявить химически интуитивные закономерности в локальных атомных потенциалах.

Эта работа важна, поскольку традиционные методы DFT часто сталкиваются с проблемами, связанными с экспоненциальным ростом сложности при увеличении числа свободных параметров. Использование МL позволяет более эффективно исследовать пространство поиска, что особенно актуально для сложных систем. Кроме того, полученные локальные атомные потенциалы могут дать ценную информацию о стабильности структур, что имеет большое значение для разработки новых материалов и понимания их свойств.

Ссылка на статью: https://www.researchgate.net/publication/322462416_On-the-Fly_Machine_Learning_of_Atomic_Potential_in_Density_Functional_Theory_Structure_Optimization

Источник: www.researchgate.net

Комментарии: