TBworks: 机器学习第一性原理分子动力学电子结构
冯济
1 北京大学，物理学院量子材料科学中心，北京，100080，中国
2 Princeton University, NJ, USA
详细摘要： 第一性原理分子动力学（AIMD）是模拟材料热力学、动力学性质的重要方法。AIMD 在计算过程中产生大量电子结构数据，通常没有得到充分利用。相较于基于精确电子结构计算、耗时昂贵的AIMD，基于神经网络表达的力场方法可以极大地加速分子动力学模拟 [1]，然而力场方法中，电子结构信息完全缺失。我们提出一种利用神经网络表达 AIMD 电子结构的方法，称为 TBworks[2]。基于前馈神经网络，TBworks 可以通过观察 AIMD 电子能谱，通过训练产生基于紧束缚模型的电子紧束缚模型，从而用来预测不同原子位形的电子哈密顿量。我们在一维电荷密度波材料 Carbyne 上完成对 TBworks 的测试，表明TBworks 模型哈密顿量精确、可转移，可以结合神经网络力场方法高效计算动力学系统的电子关联函数及相关物性，为动态系统的模拟计算带来新的可能性。
参考文献：
[1] Linfeng. Zhang et al Phys. Rev. Lett. 120, 143001 (2018).
[2] Qiangqiang Gu, Linfeng Zhang, Ji Feng. Sci. Bull. In press.
物理学教授，任职于北京大学物理学院 量子材料科学中心。主要关注基于电子结构的几何相位效应、拓扑物态理论，发展基于第一性原理方法的材料物性计算方法。曾获评“青年千人计划”、“优秀青年科学家基金”及“国家杰出青年基金”。