Optimización de los potenciales interatómicos de aprendizaje automático para el transporte de hidróxido: sorprendente...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIP) se utilizan cada vez más en simulaciones moleculares.
• La transferibilidad de los MLIP a través de diferentes ambientes químicos o concentraciones es un desafío clave.
• Las soluciones acuosas de hidróxido de potasio (KOH) presentan un sistema químicamente homogéneo con concentraciones variables.

Objetivo del estudio:

• Investigar la transferibilidad de los MLIP para las soluciones acuosas de KOH a través de las variaciones de concentración.
• Identificar estrategias para mejorar la transferibilidad de MLIP sin datos extensos.
• Para permitir simulaciones precisas de la dinámica del transporte de hidróxido en diversas condiciones de electrolitos.

Principales métodos:

• Desarrollo y puesta a punto de MLIPs para concentraciones específicas de KOH.
• Evaluación del rendimiento de MLIP (errores de predicción de la fuerza) en un amplio rango de concentración (0,56-17,89 mol L-1).
• Comparación de modelos entrenados en concentraciones únicas frente a múltiples y concentraciones intermedias seleccionadas estratégicamente.

Principales resultados:

• Los modelos entrenados en concentraciones específicas mostraron una mala transferibilidad, con errores que aumentaron de 30 a 90 meV Å-1.
• El ajuste fino en una concentración intermedia (6,26 mol L-1) produjo una excelente transferabilidad entre todas las concentraciones probadas.
• El modelo de concentración intermedia capturó con precisión los fenómenos emergentes de alta concentración como el enlace hidróxido-hidróxido.

Conclusiones:

• La selección de datos estratégicos, específicamente las concentraciones intermedias, mejora significativamente la transferibilidad de MLIP en sistemas químicamente similares.
• Este enfoque ofrece una alternativa computacionalmente eficiente a la capacitación en diversos conjuntos de datos para un rendimiento robusto de MLIP.
• Los hallazgos proporcionan directrices prácticas para el desarrollo de MLIPs ampliamente aplicables para simulaciones de electrolitos.