Ускорение работы CALYPSO для прогнозирования структуры материалов с применением алгоритмов Deep Potential

Abstract

Предсказание структуры осуществляется с помощью теории функционала плотности (density functional theory, DFT) для оценки энергии большого числа точек на поверхности потенциальной энергии и, таким образом, поиска стабильных структур на поверхности потенциальной энергии, которые находятся в точках с минимальными значениями. Однако с увеличением числа атомов вычислительная сложность DFT для оценки энергии возрастает экспоненциально, что значительно ограничивает эффективность поиска структуры. В последние годы, с быстрым развитием методов машинного обучения, постепенно появляются потенциальные функции машинного обучения, которые учитывают точность DFT и эффективность эмпирических потенциалов.

Structure prediction is to evaluate the energy of a large number of points on the potential energy surface by DFT, and then find the stable structure at the minimum point on the potential energy surface. However, as the number of atoms increases, the computational complexity of DFT evaluation energy increases exponentially, which greatly limits the efficiency of structure search. In recent years, with the rapid development of machine learning technology, the machine learning potential function that takes into account the accuracy of DFT and the efficiency of empirical potential is gradually entering people 's vision. Deep potential function is a machine learning potential based on deep neural network, which has high accuracy in many systems.