开发一个神经网络机器学习的原子间潜力,用于模拟La-Si-P系统的分子动力学
Ling Tang1, Weiyi Xia2,3, Gayatri Viswanathan2,4
1School of Physics, Zhejiang University of Technology, Hangzhou 310023, China.
The Journal of chemical physics
|August 25, 2025
概括
人工神经网络的机器学习潜力可以准确地模拟La-Si-P材料. 这种方法准确地模拟了晶体结构,液态和材料特性,与实验结果保持一致.
科学领域:
- 材料科学
- 计算化学
- 机器学习
背景情况:
- 分子动力学 (MD) 模拟对于材料的原子学研究至关重要.
- 准确的原子间相互作用建模对于可靠的MD模拟至关重要.
- 人工神经网络机器学习 (ANN-ML) 为开发原子间潜力提供了一个新范式.
研究的目的:
- 为La-Si-P系统开发一个准确且可转移的ANN-ML原子间潜力.
- 调查培训数据在ML潜在发展中的作用.
- 应用已开发的潜力来研究材料特性和相位行为.
主要方法:
- 使用全面的训练数据集开发ANN-ML的原子间潜力.
- 在La-Si-P系统中对已知的晶体结构和液态进行潜在的验证.
- 用于预测融化温度和研究核和生长现象的MD模拟.
主要成果:
- 该ANN-ML潜力准确地描述了La-Si-P晶体结构的能量体积关系.
- 潜力成功地模拟了La-Si-P的液体结构.
- MD模拟预测了化温度,虽然低估了,但与实验趋势一致.
- 对于研究LaP核和生长的潜在帮助,与实验观察一致.
结论:
- ANN-ML潜能为模拟La-Si-P系统提供了准确和有效的方法.
- 开发的潜力可转移,可用于研究热力学和动力学.
- 这项工作强调了培训数据质量在机器学习潜力发展中的重要性.
- 这些发现支持ANN-ML在材料发现和模拟中的应用.
更多相关视频
11:29Novel 3D/VR Interactive Environment for MD Simulations, Visualization and Analysis
Published on: December 18, 2014
12.0K
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
5.7K
