机构名称：
¥ 1.0
抽象的DFT + U是密度功能理论（DFT）中广泛使用的处理，用于处理包含开放式元素的相关材料，因此可以在没有太多计算开销的情况下校正局部和半局部近似值的定量甚至定性故障。但是，为给定系统和结构找到适当的U参数是非平地和计算密集型的，因为U值通常具有很强的化学和结构依赖性。在这项工作中，我们通过构建机器学习（ML）模型来解决此问题，该模型几乎没有计算成本来预测材料和结构特定的U值。以MN – O系统为例，ML模型通过校准DFT + U电子结构的培训，该结构具有3000多个结构的混合功能结果。该模型允许我们确定任何给定的MN – O结构的准确U值（MAE = 0.128 eV，R 2 = 0.97）。进一步的分析表明，M – O键长是确定U值的关键局部结构特性。ML U模型的这种方法普遍适用，以显着扩展和巩固DFT + U方法的使用。
通过机器学习预测与结构有关的Hubbard U参数
主要关键词
相关文件推荐
