ترجمه فارسی مقاله BMach: یک ماشین بیزی برای بهینه‌سازی پارامترهای U هابارد در DFT+U با یادگیری ماشین

چکیده

Accurately determining the effective Hubbard parameter $(U_{eff})$ in Density Functional Theory plus U (DFT+U) remains a significant challenge, often relying on empirical methods or linear response theory, which frequently fail to predict accurate material properties. This study introduces BMach, an advanced Bayesian optimization algorithm that refines $U_{eff}$ by incorporating electronic properties, such as band gaps and eigenvalues, alongside structural properties like lattice parameters. Implemented within the Quantum Espresso platform, BMach demonstrates superior accuracy and reduced computational cost compared to traditional methods. The BMach-optimized $U_{eff}$ values yield electronic properties that align closely with experimental and high-level theoretical results, providing a robust framework for high-throughput materials discovery and detailed electronic property characterization across diverse material systems.

چکیده به فارسی (ترجمه ماشینی)

با دقت تعیین پارامتر مؤثر Hubbard $ (u_ {eff}) $ در نظریه عملکردی چگالی به علاوه U (DFT+U) یک چالش مهم است ، که اغلب با تکیه بر روشهای تجربی یا نظریه پاسخ خطی ، که اغلب در پیش بینی خصوصیات دقیق مواد ناکام هستند.این مطالعه BMACH ، یک الگوریتم پیشرفته بهینه سازی بیزی را معرفی می کند که با ترکیب خصوصیات الکترونیکی ، مانند شکاف های باند و مقادیر ویژه ، در کنار خصوصیات ساختاری مانند پارامترهای شبکه ، $ u_ {eff} $ را تصفیه می کند.BMACH که در بستر اسپرسو کوانتومی اجرا شده است ، دقت برتر و کاهش هزینه محاسباتی را در مقایسه با روشهای سنتی نشان می دهد.مقادیر $ u_ {eff} $ بهینه سازی شده BMACH دارای خواص الکترونیکی است که از نزدیک با نتایج نظری تجربی و سطح بالا هماهنگ می شوند ، یک چارچوب قوی برای کشف مواد با توان بالا و خصوصیات خاص خاصیت الکترونیکی در سیستم های متنوع مواد ارائه می دهد.