通过使用等价图神经网络加速全球寻找金银星团

科学领域:

• 计算化学是一种计算化学.
• 材料科学是一种材料科学.
• 纳米技术 纳米技术

背景情况:

• 中等大小的金银星团在计算上具有挑战性,使用密度函数理论 (DFT) 等传统方法进行研究.
• 图形神经网络 (GNN) 为复杂的分子系统提供了高效准确的潜在能量表面.
• 相当的GNN增强了信息提取,没有大量的计算开销.

研究的目的:

• 开发一种高效准确的等价图神经网络 (GNN) 模型,用于预测金银星团的特性.
• 为了加速发现全球中型金银集群的最小结构.
• 发现新的结构动机,并了解Au-Ag纳米集群中的稳定性原理.

主要方法:

• 开发CCCNet,一个只需要原子坐标和元素信息的等价GNN.
• 培训CCCNet使用超过1.4 × 10^6金银集群结构的大数据集.
• 将CCCNet与用于全球结构搜索的综合遗传算法 (CGA) 集成.

主要成果:

• 对于结合能 (MAE = 6.5 meV/原子) 和原子力 (MAE = 25.4 meV/Å),CCCNet实现了高预测精度.
• 对于Au_mAg_n集群 (m + n = 20, 24, 30) 的全球最小结构搜索,与DFT相比,计算成本降低了3个数量级.
• 发现了几种以前未知的低能配置和新的结构图案.

结论:

• 类似于CCCNet的等价GNN是加速中型集群结构发现的强大工具.
• 开发的模型为金银纳米集群的稳定性和设计原则提供了新的见解.
• 这种方法显著降低了计算负担,使复杂纳米材料的更广泛的探索.