О представлении химических окружений
On representing chemical environments
2013-05-28
SCID: 54.1/ch3df2h9
Discuss with AI
плавное перекрытие атомных позицийпредставления атомных окруженийинвариантные дескрипторыразложение плотности окруженияповерхности потенциальной энергии
Figures from the paper
Abstract (AI)
Мы рассматриваем несколько недавно опубликованных методов представления окружений атомов и анализируем их относительные достоинства с точки зрения точности и пригодности для аппроксимации поверхностей потенциальной энергии. Ключевыми свойствами, которыми должны обладать такие представления (иногда называемые дескрипторами), являются дифференцируемость по отношению к перемещениям атомов и инвариантность относительно фундаментальных симметрий физики: вращения, отражения, трансляции и перестановки атомов одного и того же вида. Мы показываем, что некоторые широко используемые дескрипторы, первоначально кажущиеся совершенно различными, являются частными случаями общего подхода, в котором для разложения функции плотности окружения атома используется конечный набор базисных функций с возрастающими угловыми волновыми числами. На примере малых кластеров мы количественно показываем, что для получения точного представления это разложение необходимо доводить до всё более высоких волновых чисел по мере увеличения числа соседей и что различные варианты дескрипторов сходятся с существенно разной скоростью. Мы также предлагаем принципиально иной подход, называемый сглаженным перекрытием атомных позиций, который позволяет обойти эти трудности посредством непосредственного определения сходства между любыми двумя окружениями и показываем, что он по-прежнему тесно связан с инвариантными дескрипторами. Мы проверяем эффективность различных представлений, аппроксимируя модели поверхности потенциальной энергии малых кластеров кремния и объёмного кристалла.
Key Findings
1
Представления химического окружения должны быть дифференцируемыми по положениям атомов и инвариантными относительно вращений, отражений, трансляций и перестановок атомов одного вида.
2
Для получения точного представления требуемое максимальное угловое волновое число увеличивается с числом соседних атомов, при этом разные варианты дескрипторов сходятся с существенно разной скоростью.
3
Несколько внешне различных дескрипторов объединяются как разложения плотности атомного окружения по конечному базису с возрастающими угловыми волновыми числами.
4
Метод Smooth Overlap of Atomic Positions напрямую задаёт сходство между атомными окружениями, обходя трудности усечённых разложений плотности и сохраняя тесную связь с инвариантными дескрипторами.
5
Представления оцениваются путём построения моделей поверхностей потенциальной энергии малых кластеров кремния и объёмного кристаллического кремния.
Research Object
атомные окружения в малых кластерах кремния и объемном кристалле
Research Subject
точность, инвариантность относительно симметрий, дифференцируемость, сходимость и пригодность представлений окружений для аппроксимации поверхностей потенциальной энергии
Publication Details
Publication Date
2013-05-28
Journal
Publisher
ISSN
Cited by
2708
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью18
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
Машинное обучение в информатике материалов: современные применения и перспективы2017
Искусственный интеллект: мощная парадигма для научных исследований2021
Машинное обучение в материаловедении2019
Потенциалы межатомного взаимодействия на основе машинного обучения как перспективные инструменты материаловедения2019
Оценка производительности и стоимости межатомных потенциалов на основе машинного обучения2020
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
Сравнение молекул и твёрдых тел в структурном и алхимическом пространствах2016
Применение классического, неэмпирического и машинно-обучаемого моделирования молекулярной динамики к жидким электролитам для перезаряжаемых батарей2022
Машинное обучение универсального межатомного потенциала для кремния2018
Машинное обучение для разработки и открытия гетерогенных катализаторов2018
Интеллектуальная классификация кристаллических структур с использованием глубокого обучения2018
Автоматический выбор атомных дескрипторов и эталонных конфигураций для машинно-обучаемых потенциалов2018
Высокие каталитическая активность и селективность при восстановлении N2 в MBenes, дефектных двумерных материалах и одноатомных катализаторах на основе двумерных π-сопряжённых полимеров: расчёты из первых принципов и машинное обучение2021
Искусственный интеллект и передовые материалы2022
Расплавленные соли актинидов: исследование методом молекулярной динамики с использованием потенциала машинного обучения2021
Искусственный интеллект для сложных каталитических систем: высокоэнтропийные сплавы в электрокаталитическом полугидрировании ацетилена2025
Точное предсказание межмолекулярных взаимодействий трёх тел с помощью машинного обучения на основе электронной деформационной плотности2023