深層学習に基づく物理情報付き長距離分極ポテンシャル

科学分野:

• 計算材料科学
• 物性物理学
• 化学における人工知能

背景:

• 機械学習原子間ポテンシャルは、原子シミュレーションにとって重要である。
• 既存のモデルは、分極性および生体分子系における長距離静電相関に苦労している。

研究 の 目的:

• 長距離静電相互作用を正確に捉える物理情報付き機械学習原子間ポテンシャルを開発すること。
• 原子シミュレーションを用いた分極性および生体分子系のモデリングを強化すること。

主な方法:

• 短距離および双極子相互作用のために、2つの等変メッセージパッシングニューラルネットワークを組み合わせた。
• 長距離静電相互作用をモデル化するために、分極性フレームワークを組み込んだ。
• エネルギー、力、およびボーン実効電荷テンソルでモデルを訓練した。

主要な成果:

• イオン結晶、液体水、ハロゲン化ペロブスカイトにおける長距離分極効果のモデリングの改善を実証した。
• エネルギーと力の予測において、競争力のある精度を達成した。
• 赤外吸収スペクトルなどの場誘起特性の正確な予測を可能にした。

結論:

• 絶縁性および分極性材料の正確なシミュレーションには、長距離静電相互作用の明示的なモデリングが不可欠である。
• 開発されたポテンシャルは、強い分極効果を持つ系の原子シミュレーションに大きな進歩を提供する。
• 計算材料科学、物性物理学、化学における人工知能