Transfer Learning of Potential Energy Surfaces for Efficient Atomistic Modeling of Doping and Alloy
Transfer Learning of Potential Energy Surfaces for Efficient Atomistic Modeling of Doping and Alloy
复制标题
用于掺杂和合金高效原子建模的势能面迁移学习
DOI：
10.1109/led.2020.2972066
复制
发表时间：
2020-02
期刊：
影响因子：
--
通讯作者：
Jie Liu
中科院分区：
文献类型：
--
作者：
Pinghui Mo;Mengchao Shi;Wenze Yao;Jie Liu
本文提出了一种转移学习(TL)方法来生成神经网络(NN)数据库，以对掺杂和合金进行建模。通过利用源系统中已有的有价值的势能面(PES)信息以及源系统和目标系统之间的相似性，所提出的TL成功地降低了几个数量级的计算代价，同时保持了从头计算的高精度。我们证明了它一般适用于模型<；直列公式>；<；tex数学记号=“LaTeX”>；${p}$<；/tex-math>；<；/inline-formula>；-type，<；直列公式>；<；tex数学记号=“LaTeX”>；${n}$<；/tex-math>；<；/inline-formula>；-type，和合金原子替代。
This letter proposes a transfer learning (TL) method to generate neural network (NN) database to model doping and alloy. By leveraging the valuable potential energy surface (PES) information already available in source system and similarities between source and target systems, the proposed TL successfully reduces computational cost by several orders of magnitude, while keeping ab-initio level high accuracy. We show that it is generally applicable to model <inline-formula> <tex-math notation="LaTeX">${p}$ </tex-math></inline-formula>-type, <inline-formula> <tex-math notation="LaTeX">${n}$ </tex-math></inline-formula>-type, and alloy atomic substitutions.
登录
查看更多内容
影响因子：
8.6
作者：
Cubuk, E. D.;Schoenholz, S. S.;Liu, A. J.
通讯作者：
Liu, A. J.
深势分子动力学：具有量子力学准确性的可扩展模型
影响因子：
8.6
作者：
Zhang, Linfeng;Han, Jiequn;Weinan, E.
通讯作者：
Weinan, E.
影响因子：
2.9
作者：
HOOVER, WG
通讯作者：
HOOVER, WG
影响因子：
8.6
作者：
Behler, Joerg;Parrinello, Michele
通讯作者：
Parrinello, Michele
DOI：
10.1007/978-1-4419-1428-6_489
发表时间：
2012-07
期刊：
--
影响因子：
--
作者：
Burr Settles
通讯作者：
Burr Settles