پیش بینی حالت ارتعاش فرکانس پایین و انرژی بستگی عناصر واسطه با شبکه های عصبی عمیق

این مقاله یک رویکرد جدید برای پیش بینی سریع و دقیق خواص غیرخطی خوشه های فلزهای واسطه بر اساس روش شبکه عصبی عمیق (DNN) ارائه می دهد. این مطالعه نشان می دهد که رویکرد مبتنی بر DNN روشی کارآمدتر برای پیش بینی چندین خواص نانوساختارهای ردیف چهارم TM در مقایسه با روش های متداول (روش های مبتنی بر DFT) است که از نظر محاسباتی گران و به طور قابل توجهی زمان بر هستند. تکنیک مبتنی بر DNN خواص غیرخطی مورد نظر مانند کمترین حالت ارتعاشی و انرژی بستگی را پیش بینی می کند. نتایج به دست آمده نشان می دهد که مدل مبتنی بر DNN دقت موثری در پیش بینی خواص نانوخوشه TM ارائه می دهد و به طور قابل توجهی بهتر از مدل های معمولی و کم عمق شبکه عصبی است. همچنین، بین ممان مغناطیسی و کمترین حالت ارتعاش در نانو خوشه های TM۳ و TM۴ همبستگی جالبی مشاهده می شود. علاوه بر آن، مقایسه بین مدل مبتنی بر DNNو رویکرد تابع چگالی(DFT) سرعت قابل توجهی را برای مدل مبتنی بر DNN نشان می دهد.

کلیدواژه ها:

خواص خوشه های فلزات واسطه ، نظریه تابعی چگالی ، شبکه عصبی مصنوعی ، شبکه عصبی عمیق.