In dieser kumulativen Arbeit entwickeln wir zwei Anwendungen des maschinellen Lernens für die Festkörperphysik und die Materialwissenschaften. Erstens trainieren wir mit maschinellem Lernen Austausch-Korrelations-Funktionale für die Dichtefunktionaltheorie (DFT). Im Gegensatz zu früheren Arbeiten trainieren wir nicht nur die Austauschkorrelationsenergie, sondern verwenden automatische Differenzierung, um das korrekte Potential als funktionale Ableitung des neuronalen Netzes zu trainieren. Zudem

more »

... entwickeln wir Crystal-Graph Attention-Netzwerke für die Vorhersage von thermodynamisch stabilen Materialien. Diese Netze überwinden die Schwierigkeiten früherer Netzgenerationen bei der Vorhersage der Energie optimierter Strukturen aus einer nicht optimierten Eingangsstruktur. Mit diesen Netzen haben wir bereits mehr als 23000 Materialien mit DFT bestätigt, die relativ zu der konvexen Hülle, mit der wir begonnen haben, stabil sind.