用于机器学习二维材料GW能带结构的表示个体电子态
摘要：选择最佳的原子和电子结构表示方法对于机器学习材料的特性至关重要。我们解决了在机器学习状态特定电子性质的目的下，代表固体中电子的量子态的问题。具体而言，我们构建了一种基于能量分解算符矩阵元（ENDOME）和径向分解的投影态密度（RAD-PDOS）的指纹，这两者都可以从标准密度泛函理论（DFT）计算中获得。使用这种指纹，我们在46k个G0W0准粒子能量的数据集上训练了一个梯度提升模型。结果模型以0.14电子伏特的平均绝对误差预测了材料中未被模型见过的状态的自能修正。通过在指纹中包括材料的计算介电常数，误差可以进一步减小30％，我们发现这是由于增强了学习自能中的相关性/屏蔽部分的能力。我们的工作为以标准DFT计算为代价的准粒子能带结构的准确估计铺平了道路。
作者：Nikolaj R{o}rb{ae}k Kn{o}sgaard, Kristian Sommer Thygesen
论文ID：2107.06029
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-02-08