通过卷积神经网络绘制纳米集群结构图表

科学领域:

• 计算材料科学 计算材料科学
• 纳米技术纳米技术
• 机器学习应用程序 机器学习应用程序

背景情况:

• 了解纳米粒子的结构格局对于预测它们的特性和行为至关重要.
• 传统的方法难以在各种条件下表示纳米粒子结构的复杂性.
• 分子动力学模拟产生了大量的原子配置数据集.

研究的目的:

• 开发一种使用有限的变量组来表示纳米粒子结构景观的一般方法.
• 为了创建一个低维的,有物理意义的和可分化的原子位置映射.
• 为了能够清晰地区分和排序结构动机,并促进分析.

主要方法:

• 应用了一种利用卷积神经网络 (CNN) 的新方法来分析辐射分布函数.
• 采用了金,银和铜纳米集群的并行炼分子动力学模拟.
• 在学习的低维分组上使用无监督的集群,用于细粒度图案分析.

主要成果:

• 成功生成了一个低维图,有效地可视化纳米颗粒的复杂结构景观.
• 确定并明确区分主要的结构动机,揭示有意义的顺序.
• 无监督的集群解决了基于缺陷和协调等微妙差异的结构子家族.

结论:

• 提出的基于CNN的方法为纳米粒子结构可视化和分析提供了强大的工具.
• 生成的低维变量为模拟中增强的采样和探索提供了潜力.
• 这种方法可以追踪复杂的结构演变,即使在反应性轨迹中.