Zongo, K., Béland, L. K. et Ouellet-Plamondon, C..
2022.
« First-principles database for fitting a machine-learning silicon interatomic force field ».
MRS Advances, vol. 7, nº 2-3.
pp. 39-47.
Compte des citations dans Scopus : 1.
Prévisualisation |
PDF
Ouellet-Plamondon-C-2022-24067.pdf - Version acceptée Licence d'utilisation : Tous les droits réservés aux détenteurs du droit d'auteur. Télécharger (1MB) | Prévisualisation |
Résumé
Data-driven machine learning has emerged to address the limitations of traditional methods when modeling interatomic interactions in materials, such as electronic density functional theory (DFT) and semi-empirical potentials. These machine-learning frameworks involve mathematical models coupled to quantum mechanical data. In the present article, we focus on the moment tensor potential (MTP) machine-learning framework. More specifically, we provide an account of the development of a preliminary MTP for silicon, including details pertaining to the construction of a DFT database.
| Type de document: | Article publié dans une revue, révisé par les pairs |
|---|---|
| Professeur: | Professeur Ouellet-Plamondon, Claudiane |
| Affiliation: | Génie de la construction |
| Date de dépôt: | 07 mars 2022 18:52 |
| Dernière modification: | 16 oct. 2023 15:50 |
| URI: | https://espace2.etsmtl.ca/id/eprint/24067 |
Actions (Authentification requise)
 |
Dernière vérification avant le dépôt |