使用AIMNet2神经网络潜力的有效分子晶体结构预测和稳定性评估

科学领域:

• 材料化学 材料化学
• 计算材料科学科学 计算材料科学
• 晶体学 晶体学是指结晶学.

背景情况:

• 准确的晶体结构预测 (CSP) 对于材料发现至关重要,但计算成本昂贵.
• 传统方法依赖于第一原则计算,对于需要数百万次能源评估的大型系统来说,这些计算变得过度.
• 剑桥晶体数据中心 (CCDC) 的盲测试强调了需要更高效的CSP方法的需求.

研究的目的:

• 开发和验证用于晶体结构预测的计算效率高的方法.
• 为了证明在CSP分子上训练的机器学习原子间潜能 (MLIP) 的有效性.
• 评估AIMNet2 MLIPs在准确地描述CSP景观和排名晶体稳定性的表现.

主要方法:

• 培训目标特定的AIMNet2机器学习的原子间潜力 (MLIPs) 在密度函数理论 (DFT) 分子集群 (n-mers) 的计算上.
• 使用气相分散校正的DFT参考数据来训练MLIP.
• 应用训练有素的MLIP来评估CSP工作流中的候选晶体结构的相对稳定性.

主要成果:

• 在n-mer数据上训练的MLIP成功地扩展到晶体环境,准确地描述了CSP景观.
• 该方法根据相对稳定性对候选晶体结构进行了正确的排名,证明了其有效性.
• AIMNet2潜力在与制药,光电子和农业化学品相关的各种化学系统中表现强.

结论:

• 针对特定目标的MLIP可显著加快CSP工作流程.
• 这种方法有效地捕捉了热力学晶体稳定性的物理,仅使用分子集群数据,避免了昂贵的周期性计算.
• 在日常的CSP任务中,AIMNet2 MLIP为完全的DFT计算提供了一个有希望和高效的替代方案.