机器学习加速材料光谱特性的预测
作者：by Nicola Nosengo, National Centre of Competence in Research (NCCR) MARVEL
计算材料科学中的许多技术要求科学家确定正确的参数集，以捕获他们正在研究的特定材料的物理特性。从头开始计算这些参数有时是可能的，但会花费大量时间和计算能力。因此，科学家们总是渴望找到更有效的方法来估计它们，而不需要进行完整的计算。
库普曼泛函就是这种情况，这是一种扩展密度泛函理论能力的有前途的方法，以便它可以用于预测材料的光谱特性（例如材料吸收的光频率），而不仅仅是它们的基础状态（例如该材料中原子的最佳位置）。库普曼泛函的准确性依赖于找到正确的“筛选参数”为正在研究的系统。
“你可以将筛选参数解释为系统中其余电子对电子添加或移除的反应程度，”保罗科学计算、理论和数据中心的博士后爱德华·林斯科特解释道。谢勒研究所，MARVEL成员。
“屏蔽”一词指的是其他电子遮挡（或者换句话说，屏蔽）的事实，即向从外部观看系统的人添加新电子。
林斯科特继续说道，“这种电子屏蔽——从系统中添加或去除电子的过程——正是我们在谈论光谱特性时感兴趣的物理过程。例如，太阳能电池，通过将光照射到光伏材料上，我们可以从其中发射电子并产生电流。”
“密度泛函理论在描述此类过程方面非常糟糕，而筛选参数告诉我们 DFT 近似对我们的失败程度，以及我们需要应用的校正强度，以便正确地弥补这种情况。”
库普曼泛函计算的缺点是它们比 DFT 计算花费的时间要长得多，这主要是因为必须计算筛选参数的成本。但一篇新论文在npj 计算材料研究表明，即使是使用适量数据进行训练的简单机器学习模型，也可以显着减少在 Koopmans 算法中计算筛选参数所需的时间。
这篇文章的作者是苏黎世大学的雅尼克·舒伯特 (Yannick Schubert)，他以硕士论文的形式启动了这个项目，还有桑德拉·卢伯 (Yannick 在苏黎世大学的博士生导师)、漫威的导演尼古拉·马扎里 (Nicola Marzari) 和林斯科特本人。
作者选择了两种特定材料进行研究：液态水和卤化物钙钛矿 CsSnI3。
“它们代表了我们认为可以充分利用机器学习的系统，”林斯科特解释道。“液态水是自然无序的，对于我们习惯于处理原始晶体的科学家来说，这超出了舒适区。同时，卤化物钙钛矿是一种有前途的用于太阳能电池的材料，因此计算其随温度的变化非常重要”。
要使用库普曼泛函对这些系统的光谱特性进行建模，需要对具有不同原子位置的同一化学系统的许多副本进行计算。通过在这些副本的子集上训练机器学习模型，然后使用该模型来预测剩余副本的筛选参数，可以使这个过程变得更快。
当研究人员出发时，问题是：在该领域提供的众多选择中，哪种机器学习模型有效？事实证明，一个称为岭回归的简单模型就可以了。
林斯科特说：“我们有一个将要尝试的日益复杂的网络的路线图，但我们从一开始就不知道它是否会起作用，或者我们是否能够生成足够的数据。”
“令我们惊讶的是，数据很少的最简单模型效果很好。我们最终得到的模型与当今我们周围复杂的机器学习模型完全不同，但它足以准确计算筛选参数。”
虽然网络本身很简单，但科学家们将其部分归因于他们在构建“描述符”时所付出的精心工作，“描述符”是数学对象，必须封装系统的相关物理原理并输入到网络中。机器学习模型。
虽然可以通过更复杂的网络和更多的训练数据来扩展该方法并使其更加强大，但林斯科特表示，下一步将是充分利用现在的方法，并用它来研究温度有趣材料的依赖光谱特性。
更多信息：Yannick Schubert 等人，预测快速库普曼谱函数计算的电子筛选，npj 计算材料（2024）。DOI：10.1038/s41524-024-01484-3
提供者：国家研究能力中心 (NCCR) MARVEL
引文:机器学习加速材料光谱特性的预测（2024 年，12 月 23 日）检索日期：2024 年 12 月 23 日来自 https://phys.org/news/2024-12-machine-materials-spectral-properties.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《机器学习加速材料光谱特性的预测》的评论
暂无评论