Machine learning assisted canonical sampling (Mlacs)

Aloïs Castellano

doi:10.1016/j.cpc.2025.109730

Machine learning assisted canonical sampling (Mlacs)

2025-07-17

0

PRE

AI

DOI：10.1016/j.cpc.2025.109730

原文链接

原文求助

摘要

En 中文

在保持从头算精度（1 meV/atom）的情况下加速材料属性计算是计算物理学中的一个主要挑战。在本文中，我们介绍了一个Python软件包，利用机器学习原子间势（MLIP）来增强（有限温度）材料属性在从头算水平上的计算。基于自洽变分方法的机器学习辅助正则采样（Mlacs）方法，采用主动学习策略迭代训练MLIP，以显著降低从头算模拟的计算成本。

Keyword:

machine learning interatomic potentials

ab initio calculations

finite temperature properties

active learning

computational cost reduction

Machine learning assisted canonical sampling (Mlacs)

摘要

期刊

机构

引用论文