机构名称：
¥ 2.0
摘要我们使用图形卷积神经网络（GCNN）来快速准确地预测固体溶液二元合金的总能量。gcnns允许我们抽象固体物质的晶格结构作为图，从而将原子建模为节点和金属键作为边缘。此表示自然结合了有关材料结构的信息，从而消除了对标准神经网络（NN）方法所需的计算昂贵数据预处理的需求。我们在Ab-Initio密度功能理论（DFT）上训练GCNN，用于铜金（CuAU）和铁铂（FEPT）数据，这些数据是通过运行LSMS-3代码而生成的，该数据实现了OLCF SuperCutisters titan and Immit的LSMS-3代码，该代码实现了本地自称的多重散射方法。gcnn在计算时间方面，按数量级胜过Ab-Initio dft模拟，以产生给定的原子结构的总能量的估计。我们通过使用根平方的误差来量化深度学习（DL）模型的预测质量，将GCNN模型与标准NN的预测性能进行比较。我们发现，GCNN的可达到的准确性至少比MLP的数量级好。
固体的总能量的快速准确预测...
主要关键词
相关文件推荐
