Desarrollo eficiente de un potencial de red neuronal para zeolitas de sílice pura

Área de la Ciencia:

• Ciencia de materiales computacional
• Aprendizaje automático en química
• Física del estado sólido

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIP) permiten simulaciones de dinámica molecular más grandes al imitar la precisión de la teoría de la funcional de la densidad (DFT) a un costo computacional menor.
• El desarrollo de MLIP requiere tradicionalmente extensos conjuntos de datos de entrenamiento generados por DFT, lo que supone una carga computacional significativa.

Objetivo del estudio:

• Desarrollar una estrategia eficiente de aprendizaje activo para construir conjuntos de datos de entrenamiento compactos para MLIP.
• Crear MLIP de alta fidelidad para zeolitas de sílice pura utilizando un enfoque de conjunto de datos reducido.

Principales métodos:

• Se empleó una estrategia de agrupamiento jerárquico para identificar polimorfos representativos para la construcción del conjunto de datos.
• Se utilizó un flujo de trabajo de aprendizaje activo, que utiliza un potencial de red neuronal invariante, para generar datos ab initio.
• Se desarrollaron dos MLIP, basados en arquitecturas invariantes y equivariantes, a partir de los datos de aprendizaje activo.

Principales resultados:

• Los MLIP desarrollados lograron errores de energía de 3 meV/átomo o menos en comparación con los cálculos ab initio.
• Las predicciones de MLIP para propiedades estructurales, mecánicas, térmicas y de dispersión de fonones de las zeolitas mostraron una excelente concordancia con los resultados de DFT.
• El enfoque de aprendizaje activo redujo significativamente el tamaño del conjunto de datos y el gasto computacional para el desarrollo de MLIP.

Conclusiones:

• La estrategia propuesta de agrupamiento jerárquico y aprendizaje activo permite el desarrollo eficiente de MLIP precisos.
• La alta fidelidad de los MLIP desarrollados demuestra su potencial para simulaciones de materiales a gran escala.
• Este método ofrece una ruta computacionalmente ventajosa hacia MLIP de alto rendimiento para materiales complejos.