Machine Learning for Improved Density Functional Theory Thermodynamics

要約

合金形成エンタルピーの密度汎関数理論（DFT）の予測精度は、特に三元相の安定性計算において、固有のエネルギー分解能エラーによって制限されることがよくあります。
この作業では、これらのエラーを体系的に修正するための機械学習（ML）アプローチを提示し、第一原理の予測の信頼性を改善します。
Neural Networkモデルは、DFT計算と実験的に測定されたエンタルピーのバイナリおよび成分合金および化合物の矛盾を予測するために訓練されています。
このモデルは、主要な化学的および構造的効果をキャプチャするために、元素濃度、原子番号、および相互作用用語を含む構造化された特徴セットを使用します。
監視された学習と厳格なデータキュレーションを適用することにより、堅牢で物理的に意味のある修正を確実にします。
このモデルは、3つの隠れ層を備えた多層パーセプトロン（MLP）レグレッサーとして実装されており、過剰フィッティングを防ぐために、休暇1回の交差検証（LOOCV）およびK折り返し交差検証を通じて最適化されています。
この方法は、航空宇宙および保護コーティングの高温用途にとって興味深いAl-Ni-PDおよびAl-Tiシステムに適用することにより、この方法の有効性を説明します。

要約(オリジナル)

The predictive accuracy of density functional theory (DFT) for alloy formation enthalpies is often limited by intrinsic energy resolution errors, particularly in ternary phase stability calculations. In this work, we present a machine learning (ML) approach to systematically correct these errors, improving the reliability of first-principles predictions. A neural network model has been trained to predict the discrepancy between DFT-calculated and experimentally measured enthalpies for binary and ternary alloys and compounds. The model utilizes a structured feature set comprising elemental concentrations, atomic numbers, and interaction terms to capture key chemical and structural effects. By applying supervised learning and rigorous data curation we ensure a robust and physically meaningful correction. The model is implemented as a multi-layer perceptron (MLP) regressor with three hidden layers, optimized through leave-one-out cross-validation (LOOCV) and k-fold cross-validation to prevent overfitting. We illustrate the effectiveness of this method by applying it to the Al-Ni-Pd and Al-Ni-Ti systems, which are of interest for high-temperature applications in aerospace and protective coatings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google