机器学习潜力的开发,以研究纳米集群的结构和热力学
Suvo Banik1,2, Partha Sarathi Dutta1,2, Sukriti Manna1,2
1Center for Nanoscale Materials, Argonne National Laboratory, Lemont, Illinois 60439, United States.
The journal of physical chemistry. A
|November 13, 2024
概括
机器学习潜能准确地模拟纳米集群,揭示尺寸依赖性质. 这种方法为研究复杂材料动力学和低维系统提供了多功能工具.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术纳米技术
背景情况:
- 机器学习 (ML) 潜力,就像高斯近似潜力 (GAP) 一样,在预测材料属性方面表现出色.
- 精确的纳米集群建模对于理解它们独特的行为至关重要.
研究的目的:
- 开发和验证低维 (Ni) 纳米集群的GAP模型.
- 评估模型在各种尺寸中捕捉能量,结构多样性和热力学特性的能力.
- 调查模型的推断能力和训练的数据要求.
主要方法:
- 为Ni纳米集群开发和验证高斯近似潜力 (GAP) 模型.
- 大规模的分子动力学 (MD) 模拟使用训练的GAP模型.
- 使用数据驱动模型分析模拟轨迹,包括图形神经网络.
主要成果:
- GAP模型有效地捕捉了Ni纳米集群的能量和结构多样性.
- 该模型展示了在广泛的尺寸范围内表示属性的灵活性.
- 分析揭示了对依赖尺寸的相位行为和多孔Ni纳米颗粒的热力学稳定性的洞察.
结论:
- 机器学习模型,特别是GAP,是研究低维系统的强大工具.
- 数据驱动的方法与ML相结合,增强了对复杂材料动态的研究.
- 了解数据质量对于培养有效的ML潜力至关重要.


