Predicting large-supercell defect formation energies from machine-learning charge density models trained on small supercells
본 논문은 다양한 크기의 작은 슈퍼셀을 포함한 훈련 세트를 최적화함으로써, 기존의 머신러랑닝 원자간 포텐셜에 비해 현저히 높은 데이터 효율성과 낮은 오차율로 대형 슈퍼셀 결함 형성 에너지를 고정밀도로 예측하는 머신러닝 전하 밀도(MLCD) 접근 방식을 제안한다.