机器学习可以用来提高XC泛函的准确性,这是典型KS-DFT计算中主要误差的来源[Kim等人 2013; Crisostomo等人 2023],因此我们总结了这一领域的一些进展。 将ML应用于XC泛函始于Tozer等人 [1996],他们使用神经网络来近似XC势能,使用了ZMP密度反演方法[Zhao等人 1994],结果得到的几何结构与LDA相当,并且特征值更准确。另一...
对信号长度的限制:DFT通常需要输入信号的长度为2的幂次,这在某些情况下可能不适用。 DFT在机器学习中的应用 DFT在机器学习中的应用主要体现在以下几个方面: 特征提取 频域特征:DFT可以将时域信号转换为频域特征,这些特征可以作为机器学习模型的输入。 图像处理:在图像处理中,DFT可以用来提取图像的频域特征,如边缘、纹...
来自奥地利维也纳大学物理学院和计算材料科学中心的Cesare Franchini教授领导的团队提出了一种机器学习(ML)方法,来加速搜索和确定基态极化子的构型。他们将ML模型在DFT生成的极化子构型数据库上进行训练,通过设计描述符,对极化子和带电点缺陷之间的相互作用进行建模。作者将这种DFT+ML的研究策略应用到了2个材料系统,即还...
机器学习是一种能够从大量数据中学习并发现规律的算法,具有自我学习和优化的能力。在分子动力学模拟中,机器学习技术可以用于分析和优化模拟数据,从而提高模拟效率。通过将机器学习算法与分子动力学模拟相结合,我们可以实现更快速、更准确的模拟,从而更深入地理...
来自奥地利维也纳大学物理学院和计算材料科学中心的Cesare Franchini教授领导的团队提出了一种机器学习(ML)方法,来加速搜索和确定基态极化子的构型。他们将ML模型在DFT生成的极化子构型数据库上进行训练,通过设计描述符,对极化子和带电点缺陷之间的相互作用进行建模。作者将这种DFT+ML的研究策略应用到了2个材料系统,即还...
1、本文通过密度泛函理论(DFT)计算和机器学习(ML)方法,研究了单原子催化剂(SACs)在Mg-CO2电池中的催化效应,特别关注提高Mg-CO2电池的充电动力学性能。 2、作者发现在卟啉基底上支持的3d和4d过渡金属SACs表现出较强的MgCO3吸附能力,前族过渡金属的吸附能力更高,这可以归因于其空的d轨道,使得d带中心向费米能级上...
来自奥地利维也纳大学物理学院和计算材料科学中心的Cesare Franchini教授领导的团队提出了一种机器学习(ML)方法,来加速搜索和确定基态极化子的构型。他们将ML模型在DFT生成的极化子构型数据库上进行训练,通过设计描述符,对极化子和带电点缺陷之间的相互作用进行建模。作者将这种DFT+ML的研究策略应用到了2个材料系统,即还...
npj:机器学习揭示隐藏信息—完善密度泛函理论 基于Kohn-Sham方程的密度泛函理论(DFT)是当前材料计算中最为核心的方法之一。而交换关联泛函又是DFT计算的核心,决定了计算的准确性。为了提高DFT的计算精度,人们构造出来越来越多、越来越复杂的泛函形式,构成所谓的Jacob天梯。然而即便如此,目前仍然没有一种泛函能够准确描述...
该团队进一步使用DFT计算了活性位点氢吸附前后的差分电荷密度与PDOS图,揭示了Pd原子与Cu原子对析氢反应起促进作用的机理。 该团队提出的SOAP-ML模型能够精准预测具有最佳催化性能的活性位点原子配比,其机器学习模型预测的结果达到了与DFT结果相比非常高的精度(其均方误差为0.018)。
韩国顺天乡大学Hwanyeol Park教授和汉阳大学Ho Jun Kim教授等人设计了一种高效的高通量筛选方法,通过密度泛函理论(DFT)计算和机器学习算法,在酸性条件下为高性能析氧反应(OER)催化剂寻找稳定的过渡金属氧化物｡ 研究亮点 1.作者设计了一种高效的高通量筛选方法,以寻找具有优异OER性能的潜在催化剂,并介绍了一种利用...