Speaker
Mr
Haodong YAO
Description
X 射线吸收谱，尤其是近边吸收结构，对吸收原子局域配位环境及电子结构高度敏感，是研究复杂材料局域结构的重要表征手段。面向“从结构到谱”的快速预测需求，本工作提出了一种基于机器学习原子间势模型的局域环境表征与吸收谱预测方法。
不同于直接采用图神经网络对原子结构进行端到端谱线预测的思路，我们首先利用预训练原子间势模型提取吸收中心附近局域环境的高维表示，再在此基础上建立吸收谱预测模型，从而更充分地编码局域几何构型、近邻相互作用及化学环境信息。以锂硫电池相关体系为代表性应用，我们比较了该方法与图神经网络基线模型在结构到谱预测任务中的表现。结果表明，在锂硫电池相关体系上，基于机器学习原子间势局域表征的方法表现出更优的预测精度。
总体而言，机器学习原子间势模型除可用于能量、力等性质建模外，也可作为特定体系中有效的局域结构表征工具。进一步地，该方法有望集成到我们自主开发的 XAS3DLive 在线分析平台中，与平台现有的交互式三维结构编辑、快速 XANES 计算和谱拟合功能相结合，服务于更高效的结构—谱预测与拟合分析。
Primary author
Mr
Haodong YAO
Co-authors
haifeng Zhao
(Institute of High Energy Physics, Chinese Academy of Sciences)
UNKNOWN 宋雪琪
