Automation of machine learning driven interatomic potential generation for predicting vibrational properties
- Knowing phonon properties is beneficial for predicting low thermal conductivity thermoelectric materials. Employing DFT consumes lots of computational resources. Using ML-driven interatomic potentials (MLIP, e.g., GAP) opens up a faster route, but most potentials are specifically tailored to a certain compound. We aim to generalize the MLIP generation in a Python code-based workflow, combining automatic DFT runs with automated GAP fits. Automation enables easier tests, benchmarks, and validation.
Autor*innen: | Christina ErturalORCiD |
---|---|
Koautor*innen: | V. Deringer, Janine George |
Dokumenttyp: | Vortrag |
Veröffentlichungsform: | Präsentation |
Sprache: | Englisch |
Jahr der Erstveröffentlichung: | 2023 |
Organisationseinheit der BAM: | 6 Materialchemie |
6 Materialchemie / 6.0 Abteilungsleitung und andere | |
DDC-Klassifikation: | Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten |
Freie Schlagwörter: | Automated workflows; Interatomic potentials; Machine learning; Phonons; Thermoelectrics |
Themenfelder/Aktivitätsfelder der BAM: | Material |
Material / Materialdesign | |
Veranstaltung: | SALSA Make and Measure Conference: Interfaces |
Veranstaltungsort: | Berlin, Germany |
Beginndatum der Veranstaltung: | 13.09.2023 |
Enddatum der Veranstaltung: | 15.09.2023 |
Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
Datum der Freischaltung: | 21.09.2023 |
Referierte Publikation: | Nein |
Eingeladener Vortrag: | Nein |