Detailansicht
The structure factor as a global descriptor in machine-learned force fields
Georg Leonard Gentner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Physics
Betreuer*in
Georg Kresse
DOI
10.25365/thesis.81731
URN
urn:nbn:at:at-ubw:1-19900.44286.797767-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Damit maschinell gelernte Kraftfelder (MLFFs) bei deutlich reduziertem Rechenaufwand eine ab initio-Genauigkeit erreichen, ist die Wahl eines geeigneten Deskriptors zur Beschreibung atomarer Strukturen entscheidend. Während die meisten Ansätze auf lokalen Deskriptoren basieren, untersucht diese Arbeit den Strukturfaktor als globale Darstellung im reziproken Raum. Die Methode wird für Silizium und Natriumchlorid evaluiert und übertrifft dabei konsistent die im Vienna ab initio simulation package verwendeten lokalen MLFF-Deskriptoren. Es werden Energiefehler von 0.1–−1 0.2 meV atom−1 sowie Kraftfehler von 10–20 meV Å mit etwa 10–100 Referenzkonfigurationen erreicht. Bereits die Zwei-Körper-Formulierung erweist sich als hochgradig ausdrucksstark, während die Drei-Körper-Erweiterung die Genauigkeit bei erhöhtem Rechenaufwand weiter verbessert. Aufgrund seiner Abhängigkeit von einem festen reziproken Gitter ist der Deskriptor auf Simulationen mit festen Zellen beschränkt. Seine Genauigkeit und Robustheit machen ihn jedoch ideal für Anwendungen wie Phononenberechnungen und Wärmetransport. Dies verdeutlicht das Potenzial des Strukturfaktors als wettbewerbsfähiger Deskriptor für MLFFs.
Abstract
(Englisch)
For machine learned force fields (MLFFs) to achieve ab initio accuracy at greatly reduced computational cost, the choice of descriptor for representing atomic structures is critical. While most approaches rely on local descriptors, this work explores the structure factor as a global representation in reciprocal space. Its performance is evaluated for silicon and sodium chloride, where it consistently outperforms the local descriptors used in the Vienna ab initio simulation package MLFF. Energy errors−1of 0.1–0.2 meV atom−1 and force errors of 10–20 meV Å are achieved using on the order of 10–100 reference configurations. The two-body formulation is already highly expressive, while the three-body extension further improves accuracy at increased cost. Due to its dependence on a fixed reciprocal lattice, the descriptor is limited to fixed-cell simulations. Its accuracy and robustness, however, make it ideal for applications such as phonon calculations and heat transport. This demonstrates the potential of the structure factor as a competitive descriptor for MLFFs.
Schlagwörter
Schlagwörter
(Deutsch)
Deskriptor Global machine learning mlff force field kernel
Schlagwörter
(Englisch)
descriptor global machine learning mlff force field kernel
Autor*innen
Georg Leonard Gentner
Haupttitel (Englisch)
The structure factor as a global descriptor in machine-learned force fields
Publikationsjahr
2026
Umfangsangabe
viii, 84 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Georg Kresse
Klassifikation
33 Physik > 33.61 Festkörperphysik
AC Nummer
AC17973099
Utheses ID
81211
Studienkennzahl
UA | 066 | 876 | |