Desarrollo de una red neuronal de aprendizaje de máquina con potencial interatómico para simulaciones de dinámica...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• Las simulaciones de dinámica molecular (DM) son cruciales para los estudios atómicos de los materiales.
• El modelado preciso de las interacciones interatómicas es esencial para simulaciones fiables de MD.
• El aprendizaje automático de la red neuronal artificial (ANN-ML) ofrece un nuevo paradigma para el desarrollo de potenciales interatómicos.

Objetivo del estudio:

• Desarrollar un potencial interatómico ANN-ML preciso y transferible para el sistema La-Si-P.
• Investigar el papel de los datos de formación en el desarrollo potencial del aprendizaje automático.
• Aplicar el potencial desarrollado para estudiar las propiedades del material y el comportamiento de fase.

Principales métodos:

• Desarrollo de un potencial interatómico ANN-ML utilizando un conjunto completo de datos de entrenamiento.
• Validación del potencial con respecto a las estructuras cristalinas y estados líquidos conocidos en el sistema La-Si-P.
• Simulaciones MD para predecir las temperaturas de fusión y estudiar la nucleación y los fenómenos de crecimiento.

Principales resultados:

• El potencial ANN-ML describe con precisión las relaciones energía-volumen para las estructuras cristalinas La-Si-P.
• El potencial modela con éxito las estructuras líquidas La-Si-P en varias composiciones.
• Las simulaciones MD predicen temperaturas de fusión que, aunque subestimadas, muestran acuerdo con las tendencias experimentales.
• Las ayudas potenciales en el estudio de la nucleación y el crecimiento de LaP, consistentes con las observaciones experimentales.

Conclusiones:

• Los potenciales ANN-ML proporcionan un método preciso y eficiente para simular el sistema La-Si-P.
• El potencial desarrollado es transferible y fiable para el estudio de la termodinámica y la cinética.
• Este trabajo pone de relieve la importancia de la calidad de los datos de formación en el desarrollo del potencial de aprendizaje automático.
• Los hallazgos apoyan la aplicación de los potenciales de ANN-ML en el descubrimiento y la simulación de materiales.