maschinen-gelerntes Potenzial

Maschinen-gelernte Potenziale sind interatomare Potentialfunktionen, die mittels maschinellen Lernens auf Basis quantenmechanischer Referenzdaten trainiert werden. Sie approximieren die Born-Oppenheimer-Potentialfläche mit nahezu DFT-Genauigkeit bei deutlich geringeren Kosten. In der Materialwissenschaft ermöglichen sie großskalige Molekulardynamik und strukturelle Suche für komplexe Legierungen, Defekte, Oberflächen und Phasenübergänge. Generalisierbarkeit, Fehlerabschätzung und Trainingsdatendiversität sind kritisch.