ترجمه فارسی مقاله گسترش Covariant Jacobi-Legendre برای محاسبات کل انرژی در فرمالیسم موج و اوج پروژکتور

چکیده

Machine-learning models can be trained to predict the converged electron charge density of a density functional theory (DFT) calculation. In general, the value of the density at a given point in space is invariant under global translations and rotations having that point as a centre. Hence, one can construct locally invariant machine-learning density predictors. However, the widely used projector augmented wave (PAW) implementation of DFT requires the evaluation of the one-center augmentation contributions, that are not rotationally invariant. Building on our recently proposed Jacobi-Legendre charge-density scheme, we construct a covariant Jacobi-Legendre model capable of predicting the local occupancies needed to compose the augmentation charge density. Our formalism is then applied to the prediction of the energy barrier for the 1H-to-1T phase transition of two-dimensional MoS$_2$. With extremely modest training, the model is capable of performing a non-self-consistent nudged elastic band calculation at virtually the same accuracy as a fully DFT-converged one, thus saving thousands of self-consistent DFT steps. Furthermore, at variance with machine-learning force fields, the charge density is here available for any nudged elastic band image, so that we can trace the evolution of the electronic structure across the phase transition.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین می توانند برای پیش بینی چگالی بار الکترون همگرا از محاسبه نظریه عملکردی چگالی (DFT) آموزش داده شوند.به طور کلی ، ارزش چگالی در یک نقطه معین از فضا تحت ترجمه ها و چرخش های جهانی که دارای آن نقطه به عنوان یک مرکز هستند ، ثابت نیست.از این رو ، می توان پیش بینی های چگالی یادگیری ماشین را به صورت محلی ایجاد کرد.با این حال ، اجرای موج تقویت شده پروژکتور (PAW) به طور گسترده استفاده شده از DFT نیاز به ارزیابی کمک های تقویت یک مرکز دارد ، که از نظر چرخشی متغیر نیستند.ما با تکیه بر طرح چگالی بار شارژ Jacobi-Legendre که اخیراً پیشنهاد شده است ، ما یک مدل ژاکوبی-لژندر کواریانت را ایجاد می کنیم که قادر به پیش بینی مشاغل محلی مورد نیاز برای تهیه چگالی بار افزایش است.فرمالیسم ما سپس برای پیش بینی مانع انرژی برای انتقال فاز 1H-To-1T از MOS دو بعدی $ _2 $ اعمال می شود.با آموزش بسیار متوسط ​​، این مدل قادر به انجام یک محاسبه باند الاستیک غیر سازگار با خود در تقریباً همان دقت به عنوان یک مورد کاملاً با DFT است ، بنابراین هزاران مرحله DFT خود سازگار را نجات می دهد.علاوه بر این ، در واریانس با زمینه های نیروی یادگیری ماشین ، چگالی بار در اینجا برای هر تصویر باند الاستیک برهنه موجود است ، به طوری که می توانیم تکامل ساختار الکترونیکی را در طول انتقال فاز ردیابی کنیم.