使用机器学习深度神经网络理解集群的化行为潜在能量表面
Amit Kumar1, Balasaheb J Nagare2, Raman Sharma1
1Department of Physics, Himachal Pradesh University, Summer Hill, 171005 Shimla, India.
The Journal of chemical physics
|November 1, 2024
概括
这项研究模拟了使用深潜力的集群的热力学特性,发现与许多尺寸的实验融化温度有很好的一致性. 这项研究探讨了结构过渡和几何学对集群行为的影响.
科学领域:
- 计算材料科学 计算材料科学
- 物理化学 物理化学
- 凝聚物质物理学 凝聚物质物理学
背景情况:
- 深潜 (DP) 为热力学属性计算提供近密度函数理论 (DFT) 的准确性.
- 对于较小的团存在实验数据,但对于较大的尺寸 (N>55) 缺乏有限温度的初始模拟.
研究的目的:
- 为集群 (N=48-342) 执行有限温度的初始模拟,以确定热容量和化温度.
- 将模拟结果与现有实验数据进行比较,并调查差异.
- 了解基态几何和结构转换对热力学特性的影响.
主要方法:
- 采用多重直方图技术进行热容量和化温度计算.
- 对每个星团进行了广泛的分子动力学 (MD) 模拟,对每个星团24个温度进行模拟.
- 利用结构和动态描述符,如平均平方位移和林德曼指数进行分析.
主要成果:
- 32个集群 (N=48-342) 的计算热容量和融温度.
- 在19个集群中,与实验性化温度达成良好一致.
- 在Al116和Al52中确定了固体-固体结构转换,解释了观察到的热容性特征.
- 发现基态几何学显著影响热容量行为.
- 调查了特定的集群异常 (Al56,Al69,Al48) 并将异常归因于几何变化或模拟限制.
- 报告了11个较大的星团的新型几何和热力学 (N=147-342).
结论:
- 深潜精度可用于MD模拟,可靠性高达750K.
- 几何因素,特别是Al55的几何因素,对融温度产生了重大影响.
- 模拟结果在很大程度上验证了实验发现,同时也突出了进一步调查的领域和当前模型的潜在局限性.
