在GeO2玻璃中比较中距离顺序:使用机器学习原子间潜力的分子动力学与对实验数据进行反向蒙特卡洛拟合
Kenta Matsutani1, Shusuke Kasamatsu2, Takeshi Usuki2
1Graduate School of Science and Engineering, Yamagata University, 1-4-12 Kojirakawa, Yamagata 990-8560, Yamagata, Japan.
The Journal of chemical physics
|November 22, 2024
概括
分子动力学和反向蒙特卡洛方法揭示了二氧化 (GeO2) 玻璃中不同的网络结构. 与传统的RMC方法相比,机器学习潜力突出显示了更严格的网络组装.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学计算化学
背景情况:
- 了解GeO2玻璃等无形材料的原子尺度结构对于预测它们的性质至关重要.
- 短距离顺序 (SRO) 和中距离顺序 (IRO) 显著影响眼镜的宏观行为.
- 从实验数据和模拟中获得的不同结构模型之间的区别仍然是一个挑战.
研究的目的:
- 通过两种不同的计算方法,研究和比较GeO2玻璃中的短距离和中距离顺序.
- 以机器学习为基础的分子动力学和反向蒙特卡罗拟合获得的模型之间的结构差异的特征.
- 评估初始计算和衍射数据对产生的结构模型的影响.
主要方法:
- 分子动力学 (MD) 模拟采用机器学习的原子间潜力,在初始数据上进行训练.
- 反向蒙特卡洛 (RMC) 适配中子衍射数据.
- 分析总/部分结构因子,协调数,环尺寸/形状分布和持久同质性.
主要成果:
- 两种MD和RMC方法都产生了类似的两体相关性,但在它们的短距离和中距离排序上有所不同.
- 在环尺寸分布中观察到显著的差异:RMC模型显示了广泛的分布,而MD模型显示了更窄的分布.
- 通过机器学习潜力进行的初始计算,与具有协调约束的RMC相比,强加了更严格的网络组装偏好.
结论:
- 模拟方法的选择和潜在的理论近似 (ab initio与RMC约束) 极大地影响了预测的GeO2玻璃的三维结构.
- 在ab initio数据上训练的机器学习潜力提供了在GeO2玻璃中对网络组装的更受约束和可能更准确的表示.
- 这些发现强调了考虑超出简单对分布的更高阶结构相关性对于准确的玻璃建模的重要性.
相关概念视频
02:00Molecular Models
37.9K
Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.
37.9K
03:51Molecular Orbital Theory II
19.0K
Molecular Orbital Energy Diagrams
19.0K
02:40MO Theory and Covalent Bonding
10.3K
The molecular orbital theory describes the distribution of electrons in molecules in a manner similar to the distribution of electrons in atomic orbitals. The region of space in which a valence electron in a molecule is likely to be found is called a molecular orbital. Mathematically, the linear combination of atomic orbitals (LCAO) generates molecular orbitals. Combinations of in-phase atomic orbital wave functions result in regions with a high probability of electron density, while...
10.3K