对于在极端条件下对碳进行模拟的原子间潜力的精度,可转移性和计算效率
Jonathan T Willman1, Joseph M Gonzalez2, Kien Nguyen-Cong3
1Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA.
机器学习潜能 (MLIP) 为在极端条件下模拟碳提供量子精度,优于传统的实证潜能. 像ACE和SNAP这样的MLIP对于通过精确的分子动力学模拟来推进材料科学至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 计算物理 计算物理
- 凝聚物质物理学 凝聚物质物理学
背景情况:
- 精确的原子间电位对于在极端条件下对材料进行分子动力学 (MD) 模拟至关重要.
- 经典的经验潜能往往难以准确地表示碳在高压和高温下的行为.
研究的目的:
- 批判性地评估实证和机器学习原子间潜能 (MLIPs) 在极端条件下模拟碳的性能.
- 为了确定大规模原子模拟的最准确和最有效的潜力.
主要方法:
- 对各种实证潜力和MLIP (SNAP,ACE) 与密度函数理论 (DFT) 数据的评估.
- 对诸如状态方程,线和冲击等属性的模拟精度的评估. 碳Hugoniot.
- 在基于GPU的系统上对大型MD模拟进行基准计算性能比较.
主要成果:
- 经验潜能不准确地预测了碳在高压-高温条件下的行为.
- MLIPs,特别是SNAP和ACE,实现了量子精度,与DFT结果非常相匹配.
- ACE 显示出出色的可转移性,而 SNAP 则为大规模模拟提供最快的计算性能.
结论:
- 在极端条件下,MLIP对于碳的可靠,量子精确的MD模拟至关重要.
- 在准确性,可转移性和效率方面,ACE和SNAP具有有利的平衡,指导潜在的选择.
- 量子精确的MLIP在超级计算机上解锁了变革性的科学发现.
更多相关视频
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
13:58Probing C84-embedded Si Substrate Using Scanning Probe Microscopy and Molecular Dynamics
Published on: September 28, 2016
相关概念视频
Thermodynamic Potentials
Real Gases: Effects of Intermolecular Forces and Molecular Volume Deriving Van der Waals Equation
Atomic Radii and Effective Nuclear Charge
Network Covalent Solids
To break or to melt a covalent network solid, covalent bonds must be broken. Because covalent bonds are relatively strong, covalent network solids are typically...
Intermolecular Forces and Physical Properties
Molecular Comparison of Gases, Liquids, and Solids
