Updates to the DScribe library : New descriptors and derivatives

Jarno Laakso*, Lauri Himanen, Henrietta Homm, Eiaki V. Morooka, Marc O.J. Jäger, Milica Todorović, Patrick Rinke

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

8 Sitaatiot (Scopus)

Abstrakti

We present an update of the DScribe package, a Python library for atomistic descriptors. The update extends DScribe’s descriptor selection with the Valle-Oganov materials fingerprint and provides descriptor derivatives to enable more advanced machine learning tasks, such as force prediction and structure optimization. For all descriptors, numeric derivatives are now available in DScribe. For the many-body tensor representation (MBTR) and the Smooth Overlap of Atomic Positions (SOAP), we have also implemented analytic derivatives. We demonstrate the effectiveness of the descriptor derivatives for machine learning models of Cu clusters and perovskite alloys.

AlkuperäiskieliEnglanti
Artikkeli234802
Sivut1-8
Sivumäärä8
JulkaisuJournal of Chemical Physics
Vuosikerta158
Numero23
DOI - pysyväislinkit
TilaJulkaistu - 21 kesäk. 2023
OKM-julkaisutyyppiA1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä

Sormenjälki

Sukella tutkimusaiheisiin 'Updates to the DScribe library : New descriptors and derivatives'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä