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...
Fig. 1 Schematic representation of the ML model. 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...
Fig. 1 Schematic representation of the ML model. 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...
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...
小极化子构型空间:DFT+机器学习 极化子缺陷在材料中普遍存在,在载流子迁移、电荷转移和表面反应等许多过程中发挥着重要作用。作为一类准粒子,极化子一直是人们的研究热点,同时也对物理、化学和材料等不同学科产生了深远的影响。其中,小极化子的波函数在空间上被限制在缺陷周围的几个埃尺寸内,它可以在材料中迁移形成...
通过机器学习模型以接近实验不确定性的精度定量描述了看似无序的实验速率常数，这些速率常数跨越了六个数量级。机器学习方法确定了四个描述符来控制C−H活化反应性：金属原子价s轨道的平均电子占据数（ns）、团簇极化率（α）、金属原子上的最小自然电荷（Qmin）和团簇最低未占据分子轨道（LUMO）与烷烃最高占据分子...
本研究旨在理解烷烃C−H活化的机制,通过机器学习方法,构建了能够定量描述多个团簇电子特性(价s轨道的平均电子占据数、金属原子的最小自然电荷、团簇极化率和涉及自旋相互作用有关的能隙)与反应速率常数关系的模型。 本研究展示了通过人工智能解读实验数据,可以发现由不同金属中心控制的C−H活化过程的通用机制。
电子密度ρ(r)是DFT计算中至关重要的基本变量,因为ρ(r)可以决定体系的基态性质。然而,DFT框架往往存在计算尺寸问题,且难以探索巨大的相空间。因此,人们开始发展基于量子力学的机器学习势。早期的机器学习势往往是用于体系总能的预测模拟,无法很好地给出电子结构或者ρ(r)依赖的信息。近年来有部分机器学习工作是针对...
其中，Pt@VS1-GaPS4性能最优，既满足稳定性又满足催化活性。同时，通过机器学习方法进行了预测，结果显示电子亲和力（Xm）和第一电离能（Im）与吸附行为密切相关。此外Pt@VS1-GaPS4的ΔGH*可以通过应变工程显著改进。最后，采用溶剂模型和恒电位约束分子动力学，实现对Pt-SAC在GaPS4上HER动力学能垒的计算，发现...
同时,通过机器学习方法进行了预测,结果显示电子亲和力(Xm)和第一电离能(Im)与吸附行为密切相关。此外Pt@VS1-GaPS4的ΔGH*可以通过应变工程显著改进。 最后,采用溶剂模型和恒电位约束分子动力学,实现对Pt-SAC在GaPS4上HER动力学能垒的计算,发现动力学势垒随电化学电位的降低而减小,表明Heyrovsky过程是Pt@VS1-Ga...