یادگیری ماشین در نظریه تابعی چگالی برای تعیین خواص ساختاری zrcobi

در این مقاله مقادیر مناسب پارامتر هابارد (u) برای ترکیب zrcobi با استفاده از ترکیب نظریه تابعی چگالی و یادگیری ماشین محاسبه شده‌اند. بدین منظور ثابت شبکه و مدول حجمی ترکیب را به ازای چند مقدار از پارامتر هابارد به کمک نظریه‌ی تابعی چگالی ‌به‌دست آورده و برای پیش بینی نقاط میانی از روش برازش های خطی و گوسی بهره گرفته‌ایم و نتایج حاصل را با مقادیر تجربی پارامتر شبکه مقایسه کرده‌ایم. نتایج محاسبات نشان می‌دهند که اگر پارامتر هابارد تنها برای اتمco در نظر گرفته شود مقدارev 25/1 و اگر برای اتمهای zr و co در نظر گرفته شود مقدار ev 6برای اتم zr و مقدار ev 2/1برای اتم co برای بازتولید مقدار تجربی پارامتر شبکه مناسب‌‌اند. بر اساس مقادیر بهینه شده پارامتر هابارد‌، مدول حجمی برای این ترکیب پیش بینی شده است. ارزیابی برازش گوسی، درصد خطای بسیار کم پیش بینی ماشین از مقدار پارامتر شبکه را نشان می‌دهد. نتایج این مقاله نشان می‌دهند که می‌توان با استفاده از روش یادگیری ماشین و بدون از دست دادن دقت نتایج، از بسیاری از محاسبات ابتدا به ساکن سنگین اجنتاب کرد و بنابراین سرعت انجام محاسبات را افزایش داد.

Machine learning in density functional theory to predict ZrCoBi structural properties

In this paper, the suitable Hubbard parameter (U) for ZrCoBi compound is predicted using a combination of the density functional theory (DFT) and machine learning technique. To this end, first, the lattice parameter and bulk modulus of the case are calculated using DFT including some values of U parameter. Then, we have predicted the lattice parameter and bulk modulus of the system for the other values of the U parameter by means of the linear and Gaussian regressions without performing additional heavy DFT calculations. To find the best U parameter, we have compared our results with the available experimental data. Our results show that if the U parameter is considered only for the Co atom, the Ueff=1.25 eV can reproduce the experimental lattice parameter, while if two individual U parameters are considered for both the Zr and Co elements, the set of (Ueff =6 eV for Zr and Ueff =1.2 eV for Co) can lead to the experimental results. Evaluation of the regressions shows that the accuracy of the results predicted by the machine learning approach is high. The results of this paper show that machine learning can be considered as a reliable technique which can be used to speed up the calculations by avoiding furthered DFT calculations.