• Treffer 3 von 24
Zurück zur Trefferliste

Automation of machine learning driven interatomic potential generation for predicting vibrational properties

  • Investigating the phononic properties is beneficial for predicting low thermal conductivity thermoelectric materials.1–3 Employing density functional theory4 takes many calculation steps and consumes a lot of computational resources.5,6 Using machine learning driven interatomic potentials (MLIP, e.g., Gaussian approximation potential,8 GAP) opens up a faster route to phonons7 but in most cases, the potentials are specifically tailored for a certain compound. In this work, we automate the generation of such MLIPs in a Python code-based workflow, based on the automation tools atomate29 and pymatgen10 which combines the automatic DFT computations with the automated fitting of GAPs. Automation enables easier testing, benchmarking and validation.11 We aim to provide the workflow-generated potentials for storage in databases.

Volltext Dateien herunterladen

  • MC16posterErtural.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Christina ErturalORCiD
Koautor*innen:V. L. Deringer, Janine George
Dokumenttyp:Posterpräsentation
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:Interatomic potentials; Machine learning; Phonons; Thermoelectrics
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Materialdesign
Veranstaltung:16th International conference on materials chemistry (MC16)
Veranstaltungsort:Dublin, Ireland
Beginndatum der Veranstaltung:03.07.2023
Enddatum der Veranstaltung:06.07.2023
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:18.07.2023
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.