Aprendizaje por Refuerzo Jerárquico de un Potencial de Orden de Enlace de Corto Alcance para Sílice: Incrustación...

Área de la Ciencia:

• Ciencia de Materiales
• Química Computacional
• Inteligencia Artificial

Sus antecedentes:

• El aprendizaje por refuerzo (RL) ofrece un método eficiente en cuanto a datos para desarrollar potenciales interatómicos.
• Trabajos anteriores optimizaron modelos de sílice de pares utilizando RL.
• La extensión a potenciales de orden de enlace requiere la incorporación de interacciones de tres cuerpos.

Objetivo del estudio:

• Desarrollar potenciales interatómicos de corto alcance y sensibles al ángulo para la sílice utilizando aprendizaje por refuerzo.
• Crear modelos analíticos que unan las descripciones basadas en la física y las aprendidas por máquina.
• Explorar un espacio de parámetros de 26 dimensiones para 21 polimorfos de sílice.

Principales métodos:

• Flujo de trabajo de aprendizaje por refuerzo jerárquico que combina la Búsqueda de Árboles de Monte Carlo y recompensas basadas en propiedades.
• Optimización secuencial de parámetros de red, densidades, ángulos y energías de cohesión.
• Desarrollo de modelos Q-Tersoff y ML-Tersoff basados en potenciales de tipo Tersoff.

Principales resultados:

• Los modelos Q-Tersoff y ML-Tersoff reproducen con precisión el orden energético de las fases de sílice de baja energía.
• Mejora de la fidelidad en la captura de correlaciones angulares y factores de estructura amorfos en comparación con los modelos de pares.
• Los modelos son órdenes de magnitud más rápidos que los potenciales de aprendizaje automático de alta dimensionalidad.

Conclusiones:

• El marco de RL desarrollado proporciona una ruta general e interpretable hacia potenciales sensibles al ángulo.
• Los modelos muestran limitaciones en las constantes elásticas y los marcos de alta energía, lo que indica los límites de la forma analítica actual.
• Este enfoque une con éxito las descripciones basadas en la física y las aprendidas por máquina para materiales de silicato.