.png){kind=icon}
返回
Self-consistent Coulomb interactions for machine learning interatomic potentials
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6544/ae0402.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一种获得原子体系可转移机器学习基势能曲面模型的通用方法是，将总能量分解为原子中心局域贡献之和。然而，在许多体系中，不可忽略的长程静电效应也必须加以考虑。我们引入了一个通用数学框架，用于研究如何以如下方式包含这种长程效应：（i）允许电荷平衡；（ii）保持可学习原子中心贡献的局域性，以确保可转移性。我们的结果为包含平衡的现有机器学习势的成功提供了部分解释，并提供了如何以系统性方式设计此类方案的观点。为补充严格的理论结果，我们描述了一种用于拟合水团簇能量和电子密度的实用方案。
Keyword:
Coulomb interactions
machine learning
electronic structure
tight binding
interatomic potentials
locality
body-order expansion
期刊
N
IF:
1.6
论文数:
197
被引数:
0
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Moment Tensor Potentials: A Class of Systematically Improvable Interatomic Potentials力矩张量势：一类可系统性改进的原子间势函数OAAI
OAAI分享收藏ELECTRONEGATIVITY EQUALIZATION METHOD FOR THE CALCULATION OF ATOMIC CHARGES IN MOLECULES计算分子中原子电荷的电负性均衡方法
PREAI
分享收藏Atomic cluster expansion for accurate and transferable interatomic potentials用于精确和可转移的原子间势的原子簇扩展PHYSICAL REVIEW B
PHYSICAL REVIEW BIF3.7
PREAI
分享收藏
查看更多内容