机构名称：
¥ 2.0
在第三节中，讨论了AIRS依赖的随机敏感结构的产生。发现机器学习技术可以常规利用以通过分子动力学（MD）或结构预测来加速能源景观的探索，这是一场进一步的革命。从1990年代的早期尝试开始，9 Behler 10和CS’Anyi 11的开创性贡献刺激了各种机器学习的原子间潜力（MLIP）的发展。12中有以节目的数据衍生电位（EDDPS）13,14 - 在第四节中进行了审查，并以明确的目的是加速AIRSS。在第五节中，我将展示EDDP超过DFT的多个数量级加速度如何允许以前在计算上太昂贵的计算方式 - 这是对Airss，Hot-airss的新型扩展。热 - 利用长MD驱动的退火的整合，作为随机生成的结构的高通量优化的一部分。在第七节中，我引入了一种新的方法来生成随机敏感结构，这是基于构建尊重种间距离的结构的概念的基础，甚至在结构优化之前甚至可能较低的能量 - 请参见第六节。新方法是基于基于在EDDP环境/特征向量空间评估的参考结构（或潜在多个结构）的距离（或潜在的多个结构）的选择，并且需要对现有AIRSS/EDDP工作的几乎没有修改。在第七节中，这种新方法应用于两个具有挑战性的系统 - 碳和Mg 3 Al 2（Sio 4）3。最后，在第IX节中，人们认识到，第七节中引入的方法与现代化的基于模型的生成方法密切相关，这提供了与传统结构预测方法的联系点，尤其是AIRS。
引入热随机搜索和基准衍生的结构
主要关键词
相关文件推荐
