Video Experimental Relacionado
Updated: Feb 24, 2026
12:39
Gold Nanostar Synthesis with a Silver Seed Mediated Growth Method
Published on: January 15, 2012
26.2K
Aceleración de la búsqueda global de cúmulos de oro y plata utilizando redes neuronales de grafos equivariantes
Beiran Du1, Linwei Sai1, Li Fu2
1School of Mathematics, Hohai University, Changzhou 213200, China.
The Journal of chemical physics
|February 23, 2026
Resumen
Las redes neuronales de grafos (GNN) aceleran la exploración de cúmulos de oro y plata de tamaño mediano. Una GNN equivariante, CCCNet, predice con precisión las propiedades y descubre estructuras novedosas de baja energía, reduciendo significativamente los costos computacionales en comparación con DFT.
Área de la Ciencia:
- Química computacional
- Ciencia de materiales
- Nanotecnología
Sus antecedentes:
- Los cúmulos de oro y plata de tamaño mediano son computacionalmente desafiantes de estudiar utilizando métodos tradicionales como la teoría de la funcional de la densidad (DFT).
- Las redes neuronales de grafos (GNN) ofrecen un ajuste eficiente y preciso de las superficies de energía potencial para sistemas moleculares complejos.
- Las GNN equivariantes mejoran la extracción de información sin una sobrecarga computacional sustancial.
Objetivo del estudio:
- Desarrollar un modelo de red neuronal de grafos (GNN) equivariante eficiente y preciso para predecir las propiedades de los cúmulos de oro y plata.
- Acelerar el descubrimiento de estructuras de mínimo global para cúmulos de oro y plata de tamaño mediano.
- Descubrir motivos estructurales novedosos y comprender los principios de estabilidad en nanoclúmulos de Au-Ag.
Principales métodos:
- Desarrollo de CCCNet, una GNN equivariante que requiere solo coordenadas atómicas e información elemental.
- Entrenamiento de CCCNet en un gran conjunto de datos de más de 1,4 × 10^6 estructuras de cúmulos de oro y plata.
- Integración de CCCNet con un algoritmo genético integral (CGA) para búsquedas de estructuras globales.
Principales resultados:
- CCCNet logró una alta precisión de predicción para las energías de enlace (MAE = 6,5 meV/átomo) y las fuerzas atómicas (MAE = 25,4 meV/Å).
- Se realizaron búsquedas de estructuras de mínimo global para cúmulos de Au_mAg_n (m + n = 20, 24, 30) con costos computacionales reducidos en tres órdenes de magnitud en comparación con DFT.
- Se descubrieron varias configuraciones de baja energía previamente desconocidas y motivos estructurales novedosos.
Conclusiones:
- Las GNN equivariantes, como CCCNet, son herramientas poderosas para acelerar el descubrimiento estructural en cúmulos de tamaño mediano.
- El modelo desarrollado proporciona nuevas perspectivas sobre la estabilidad y los principios de diseño de los nanoclúmulos de oro y plata.
- Este enfoque reduce significativamente la carga computacional, permitiendo una exploración más amplia de nanomateriales complejos.
