Nature子刊: DFT+机器学习高精度预测粒子能带结构

来源: vvhcksxwcg 2022-3-30 23:10:41 显示全部楼层 |阅读模式




技能点满!“机器学习+材料”零基础培训,四天集训,抓住科研新风口!
【理论+实操】四天VASP实操培训,无限次回放,免费超算练习账号!
电镜专场优惠:TEM无需排队、球差2200元/小时、SEM云视频、冷冻电镜……

当进行材料特性的机器学习(ML)时,选择原子和电子结构的最佳表示方法是必不可少的。直接从材料的原子结构预测全能带结构是一项艰巨的挑战,尽管原则上可行,但需要高度复杂的ML模型和大量训练数据。

在此,丹麦技术大学Nikolaj Rørbæk Knøsgaard等人采用两种不同的方法将DFT计算的输出作为ML模型的输入,以预测完整的GW能带结构。具体而言,作者基于能量分解算子矩阵元素(ENDOME)和径向分解投影状态密度(RAD-PDOS)构建指纹(描述符),这两者都可以从标准DFT计算中获得。作者使用非磁性二维半导体的286个G0W0能带结构的数据集训练了梯度提升算法,结果表明,该算法对单个带能预测实现了0.14 eV的平均绝对误差(MAE),当指纹中包含静态极化率时,MAE降低到0.11 eV。对于带隙,MAE为0.15~0.23 eV,具体取决于模型是在所有带上训练还是仅在价带/导带上训练及指纹中是否包含静态极化率。



图1. 机器学习结果考虑到所使用的G0W0数据上的单个态能的噪声可能在0.05 eV量级,并且G0W0方法本身的精度在针对实验带隙进行评估时约为0.3 eV,这种预测精度非常令人鼓舞。通过在指纹中包含材料计算的介电常数,误差可以进一步降低30%,这是由于学习自能的相关性/筛选部分的能力增强。SHAP特征分析表明,包含极化率允许ML模型区分具有相似PBE能带结构但不同介电屏蔽特性的材料,这与GW校正的大小直接相关。尽管目前的工作集中在周期性2D 晶体中的状态,但这些方法可以直接用于识别3D晶体中的状态及分子或表面等非周期性结构。因此,这项工作为以标准DFT计算为代价准确预测准粒子能带结构铺平了道路。



图2. ML 模型的特征重要性分析Representing individual electronic states for machine learning GW band structures of 2D materials, Nature Communications 2022. DOI: 10.1038/s41467-022-28122-0




点击阅读原文,提交计算需求!

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

x
楼主热帖
回复

使用道具 举报

大神点评10

wbfwvctipg 2022-3-31 00:04:47 显示全部楼层
这个太有用了!!怒赞!
回复

使用道具 举报

慕梅4294 2022-3-31 00:04:57 显示全部楼层
你有没有见过这么整齐的十五字啊
回复

使用道具 举报

mdcjsfpcwp 2022-3-31 00:05:02 显示全部楼层
难得一见的好帖
回复

使用道具 举报

wyqqzjhjpj 2022-3-31 00:05:03 显示全部楼层
非常实用!
回复

使用道具 举报

zzqdanvikm 2022-3-31 00:05:11 显示全部楼层
这个太有用了!!怒赞!
回复

使用道具 举报

ahyjypqhch 2022-3-31 00:05:13 显示全部楼层
干货满满
回复

使用道具 举报

lsdiukmqqg 2022-3-31 00:05:37 显示全部楼层
找到好贴不容易,我顶你了,谢了
回复

使用道具 举报

欣7011 2022-3-31 00:05:41 显示全部楼层
好强,绝了!
回复

使用道具 举报

6a0j1qf676 2022-3-31 00:05:41 显示全部楼层
涨姿势了~~~
回复

使用道具 举报

前瞻经济学人微信二维码

前瞻经济学人

专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。

前瞻产业研究院微信二维码

前瞻产业研究院

如何抓准行业的下一个风口?未来5年10年行业趋势如何把握?(站长自定义)

您需要登录后才可以回帖 登录 | 立即注册

相关推荐

Powered by Discuz! X3.4
电话咨询: 135xxxxxxx
关注微信