Un potencial polarizable de largo alcance informado por la física basado en el aprendizaje profundo

Área de la Ciencia:

• Ciencia de Materiales Computacional
• Física de la Materia Condensada
• Inteligencia Artificial en Química

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático son cruciales para las simulaciones atomísticas.
• Los modelos existentes tienen dificultades con las correlaciones electrostáticas de largo alcance en sistemas polares y biomoleculares.

Objetivo del estudio:

• Desarrollar un potencial interatómico de aprendizaje automático informado por la física que capture con precisión las interacciones electrostáticas de largo alcance.
• Mejorar el modelado de sistemas polares y biomoleculares mediante simulaciones atomísticas.

Principales métodos:

• Combinó dos redes neuronales de paso de mensajes de वायरिंग para interacciones de corto alcance y dipolo.
• Incorporó un marco polarizable para modelar la electrostática de largo alcance.
• Entrenó el modelo con energías, fuerzas y tensores de carga efectiva de Born.

Principales resultados:

• Demostró una mejora en el modelado de los efectos de polarización de largo alcance en sólidos iónicos, agua líquida y perovskitas de haluro.
• Logró una precisión competitiva en la predicciones de energía y fuerza.
• Permitió predicciones precisas de propiedades inducidas por campos, como espectros de absorción infrarroja.

Conclusiones:

• El modelado explícito de la electrostática de largo alcance es esencial para simulaciones precisas de materiales aislantes y polares.
• El potencial desarrollado ofrece un avance significativo para simulaciones atomísticas de sistemas con fuertes efectos de polarización.