Оценка производительности и стоимости межатомных потенциалов на основе машинного обучения

Машинное обучение количественной зависимости между дескрипторами локального окружения и поверхностью потенциальной энергии системы атомов стало новым направлением развития межатомных потенциалов (IAP). В настоящей работе представлена комплексная оценка межатомных потенциалов на основе машинного обучения (ML-IAP), построенных с использованием четырех дескрипторов локального окружения: центрированных на атоме функций симметрии (ACSF), гладкого перекрывания атомных позиций (SOAP), биспектральных компонент потенциала спектрального анализа соседей (SNAP) и тензоров моментов. Для этого использован разнообразный набор данных, полученный посредством высокопроизводительных расчетов в рамках теории функционала плотности (DFT). Набор данных, включающий металлы Li и Mo с объемно-центрированной кубической (bcc) решеткой, металлы Cu и Ni с гранецентрированной кубической (fcc) решеткой, а также полупроводники Si и Ge IV группы с алмазной структурой, был выбран для охвата широкого диапазона кристаллических структур и типов химической связи. Все исследованные дескрипторы продемонстрировали отличные результаты при предсказании энергий и сил, значительно превосходя классические межатомные потенциалы (IAP), а также при предсказании таких свойств, как упругие константы и кривые дисперсии фононов. Мы наблюдали общую компромиссную зависимость между точностью и числом степеней свободы каждой модели и, следовательно, вычислительной стоимостью. Эти компромиссы обсуждаются в контексте выбора моделей для молекулярной динамики и других приложений.