机器学习潜力的可转移性能跨不同尺寸的石墨烯水系统:从数值指标和物理特征的洞察力

科学领域:

• 计算化学计算化学
• 材料科学 材料科学 材料科学
• 机器学习 机器学习

背景情况:

• 机器学习潜力 (MLP) 为化学模拟提供了潜力,但在解释性和应用性方面面临挑战.
• 评估MLP的可转移性对于它们在复杂系统中的广泛采用至关重要.

研究的目的:

• 评估对石墨烯-水系统的深潜力 (DP) 和神经等价原子间潜力 (NequIP) 模型的可转移性.
• 调查数据质量和计算方法对MLP准确性的影响.
• 使用DP和NequIP进行分子动力学 (MD) 模拟的物理特征比较.

主要方法:

• 对DP和NequIP模型的数值和物理特征评估.
• 密度函数理论 (DFT) 计算来生成训练数据.
• 使用训练有素的MLP进行分子动力学 (MD) 模拟.
• 分析原子密度形状,辐射分布函数和自我扩散系数.

主要成果:

• 来自DFT计算的数据质量极大地影响了MLP的预测准确性.
• 对于非平面石墨烯来说,k点网格计算对于准确的结果至关重要,而对于水来说,马点足够.
• NequIP的准确性高于DP,但MD模拟结果显示物理特征的细微差异.

结论:

• 计算方法的选择 (k点与马点) 对像石墨烯-水这样的异质系统至关重要.
• 虽然NequIP提供了卓越的准确性,但与DP相比,MD衍生的物理特征的实际差异很小.
• 需要进一步的研究,以了解精确的力预测对调整模拟和真实物理特征的影响.