通过机器学习加速模拟来实现自动地表重建

科学领域:

• 计算材料科学 计算材料科学
• 表面科学是一门科学.
• 统计力学就是统计力学.

背景情况:

• 对材料表面结构的准确预测对于催化和电子学至关重要.
• Ab initio模拟提供了预测能力,但对于大型相位空间而言,它们在计算上昂贵.
• 现有的方法在模拟复杂的多元组件材料表面的计算成本方面扎.

研究的目的:

• 开发一种加速计算框架,用于预测多元组件材料的表面相位图.
• 在计算成本和相位采样方面克服传统的初始模拟的局限性.
• 为了使新的表面终点和结构的发现.

主要方法:

• 一个双面计算循环,结合了加速能量评分和统计抽样.
• 使用高通量密度功能理论 (DFT) 计算和主动学习来训练机器学习的原子间潜力.
• 采用马尔科夫链蒙特卡洛 (MCMC) 采样在半大规范组合与虚拟表面站点.

主要成果:

• 开发的方法显著加快了对表面相位图的能量评估和统计采样.
• 预测的GaN{0001},Si{111}和SrTiO{3}{001}的表面相图与现有的实验和理论数据一致.
• 该战略成功地建模了复杂材料表面,并确定了以前未报告的表面终点.

结论:

• 拟议的计算策略为预测多元组件材料表面相位图提供了一种高效和准确的方法.
• 这种方法可以显著推进表面科学,催化和材料设计方面的研究.
• 该框架有助于探索复杂的材料表面,并发现新的结构配置.