Stefano Falletta Andrea Cepellotti Anders Johansson Chuin Wei Tan Marc L. Descoteaux Albert Musaelian Cameron J. Owen Boris Kozinsky

摘要

预测材料对外部刺激的响应是计算材料科学的主要目标。然而，由于计算成本的不利扩展，目前的方法仅限于小规模模拟。在此，我们实现了一个等变机器学习框架，其中响应特性源于广义势函数与施加的外场之间的精确微分关系。该方法专注于对电场的响应，在一个统一的模型中预测电焓、力、极化、玻恩电荷和极化率，该模型强制执行全套精确的物理约束、对称性和守恒定律。通过应用于α -SiO 2，我们证明了我们的方法可用于预测材料的振动和介电特性，并以前所未有的精度和规模在任意电场下进行大规模动力学研究。我们将该方法应用于铁电BaTiO 3，并捕捉了铁电磁滞的温度依赖性、频率依赖性和时间演化，揭示了控制铁电畴变的成核和生长的潜在内在机制。