机器学习评估金纳米颗粒的原子间潜力-可转移到批量转移.

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 纳米技术纳米技术

背景情况:

• 对金纳米颗粒的精确建模对于各种应用至关重要.
• 机器学习原子间潜力 (ML-IPs) 为模拟大型系统提供了一个有前途的方法.
• 在了解ML-IP的可转移性和数据要求方面仍然存在挑战.

研究的目的:

• 分析ML-IPs对金 (Au) 纳米粒子建模的有效性.
• 探索ML模型的可转移性到更大的系统.
• 为准确的ML-IPs建立模拟时间和尺寸值.

主要方法:

• 使用VASP和LAMMPS比较大型Au纳米集群的能量和几何形状.
• 确定ML-IP复制结构性质所需的VASP模拟时间步骤.
• 通过使用LAMMPS对准确的ML-IP进行研究的最低训练集原子大小.

主要成果:

• 确定了可靠的ML-IP所需的模拟时间步骤和训练集大小.
• 证明了ML-IP可以通过微小的调整适应不同的金纳米集群系统.
• ML-IP 显示出在大型纳米集群中准确复制结构性质的潜力.

结论:

• ML-IPs对于建模金纳米粒子是有效的.
• 通过微小的修改,可以实现ML-IP的可转移性.
• 这项工作为开发准确的纳米粒子模拟ML-IP提供了洞察力.