使用卷积神经网络分析掺杂半导体中金-朗-沙姆本征函数，模拟金属-绝缘体转变的研究
摘要：利用机器学习进行凝聚态物理问题的研究近来非常流行。许多提案的共同点是通过使用简单案例的数据对机器进行训练，然后利用机器进行预测更复杂案例的计算成本。卷积神经网络（CNN）是机器学习的一种工具，已被证明在评估无序系统中的本征函数方面效果良好。本文将CNN应用于密度泛函理论（DFT）模拟的掺杂半导体的金-沙姆本征函数评估。我们证明，经过训练的CNN，使用忽略电子自旋的掺杂半导体模拟的本征函数成功预测了在包含自旋模拟的本征函数的情况下的临界浓度。
作者：Yosuke Harashima, Tomohiro Mano, Keith Slevin, Tomi Ohtsuki
论文ID：2009.02987
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2021-08-19