将深度学习神经网络与遗传算法结合起来,以低计算成本以量子精度绘制纳米集群配置空间的地图.
Johnathan von der Heyde1, Walter Malone2, Nusaiba Zaman1
1Department of Physics, University of Central Florida, 4000 Central Florida Blvd., Orlando, Florida 32816, United States.
Journal of chemical information and modeling
|August 14, 2023
概括
这项研究有效地探索双金属纳米集群配置使用遗传算法和经过密度函数理论 (DFT) 计算训练的神经网络. 机器学习方法准确地绘制了能源景观,以便对纳米集群稳定性进行实用,量子级的洞察.
科学领域:
- 计算化学是一种计算化学.
- 材料科学 是一种材料科学.
- 机器学习 机器学习
背景情况:
- 探索双金属纳米集群的配置空间是计算密集的.
- 准确预测稳定的纳米集群结构需要量子力学精度.
- 现有的方法与庞大的配置空间作斗争.
研究的目的:
- 开发一种高效和准确的方法来探索双金属纳米集群的配置空间.
- 将遗传算法与在DFT上训练的神经网络相结合.
- 为搜索复杂的能源景观提供计算上实用的解决方案.
主要方法:
- 使用遗传算法与神经网络相结合.
- 在密度函数理论 (DFT) 数据上训练神经网络.
- 实施机器学习算法来学习DFT潜力并生成/放松结构.
- 将该方法应用于尺寸为15,20和25原子的双金属金 (AuPd) 纳米集群.
主要成果:
- 综合方法有效地映射了配置空间,并汇聚到能量最小值.
- 机器学习算法表现出不断提高的性能和公正的结构生成.
- 证明了AuPd纳米集群的计算效率.
- 识别了物理洞察力,如几何黄金表面分离和石化金最小化.
结论:
- 该方法提供了一个可优化和计算实用的解决方案,用于探索庞大的配置空间.
- 该方法具有可扩展性,适用于超越纳米集群的各种系统 (散装,表面,吸附).
- 该研究为双金属纳米集群的稳定性和配置提供了宝贵的见解.
