純粋シリカゼオライトのためのニューラルネットワークポテンシャルの効率的な開発

科学分野:

• 計算材料科学
• 化学における機械学習
• 物性物理学

背景:

• 機械学習原子間ポテンシャル（MLIP）は、計算コストの低い方法で密度汎関数理論（DFT）の精度を模倣することにより、より大きな分子動力学シミュレーションを可能にします。
• MLIPの開発には、従来、広範なDFT生成トレーニングデータセットが必要であり、これは大きな計算上の負担となります。

研究 の 目的:

• MLIPのコンパクトなトレーニングデータセットを構築するための効率的なアクティブラーニング戦略を開発すること。
• 削減されたデータセットアプローチを使用して、純粋シリカゼオライトのための高忠実度MLIPを作成すること。

主な方法:

• データセット構築のための代表的なポリモルフを特定するために、階層的クラスタリング戦略が採用されました。
• 不変ニューラルネットワークポテンシャルを利用したアクティブラーニングワークフローを使用して、ab initioデータを生成しました。
• 不変および等変アーキテクチャに基づいた2つのMLIPが、アクティブラーニングデータから開発されました。

主要な成果:

• 開発されたMLIPは、ab initio計算と比較して3 meV/atom以下のエネルギー誤差を達成しました。
• ゼオライトの構造的、機械的、熱的特性、およびフォノン分散特性に対するMLIP予測は、DFTの結果と優れた一致を示しました。
• アクティブラーニングアプローチは、MLIP開発のためのデータセットサイズと計算費用を大幅に削減しました。

結論:

• 提案された階層的クラスタリングおよびアクティブラーニング戦略により、正確なMLIPの効率的な開発が可能になります。
• 開発されたMLIPの高忠実度は、それらの大規模材料シミュレーションへの潜在能力を示しています。
• この方法は、複雑な材料のための高性能MLIPへの計算上有利なルートを提供します。