First-principles database for fitting a machine-learning silicon interatomic force field

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.

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