应用机器学习原子簇展开势的晶格动力学模拟教程

本文介绍了机器学习原子势函数（MLIP）在热输运性质研究中的应用，重点以原子簇展开势（ACE）为例，详细阐述了机器学习势函数的基本原理、数据集构建方法、势函数训练与评估以及超参数优化。研究背景指出，传统的密度泛函理论（DFT）计算成本高，限制了其在复杂体系中的应用，而机器学习势函数因其高效性和准确性成为DFT的有力替代方案。论文通过晶体硅和非晶碳两个案例展示了机器学习势函数在热输运计算中的具体应用，结果表明其预测结果与DFT具有很好的一致性，同时计算效率显著提高。论文还提供了相关代码供初学者参考，旨在为开发和应用机器学习势函数提供全面指导。