评估机器学习的原子间潜力,用于精确和可扩展的有机金属前体的建模

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学的计算化学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 对有机金属前体的准确建模对于原子层沉积 (ALD) 薄膜制造至关重要.
• 实验性点测量具有挑战性;计算方法提供了一个实际的替代方案.
• 密度函数理论 (DFT) 准确但在计算上昂贵;机器学习原子间潜力 (MLIP) 提供了准确性和效率的平衡.

研究的目的:

• 开发和评估MLIPs用于建模基于环丁的有机金属前体.
• 为了比较不同MLIP架构的性能:时刻张量潜力 (MTP),晶体哈密尔顿图神经网络 (CHGNet) 和可扩展的等差启用神经网络 (SevenNet).
• 评估积极学习和微调对MLIP概括和准确性的影响.

主要方法:

• 开发和评估包括MTP,CHGNet和SevenNet在内的MLIP.
• 积极学习和微调策略的应用,使用高能量状态配置.
• 使用固态液态相共存方法进行点计算,以评估MLIP的适用性.

主要成果:

• 基于传递信息的神经网络的MLIP (CHGNet,SevenNet) 超过了基于多项式的MTP.
• 七网在能源,力和密度预测方面表现出卓越的性能,具有非常高的准确性.
• 基于SevenNet的点计算显示与有机金属前体的实验值密切一致.

结论:

• 准确和可扩展的MLIP,特别是SevenNet,可以有效地模拟ALD的有机金属前体.
• 开发的MLIP能够进行高效,可靠的模拟,从而推进高性能薄膜的设计.
• 这项研究为构建化学过程中材料建模的先进MLIP提供了框架.