論文の概要: Reliable machine learning potentials based on artificial neural network
for graphene
- arxiv url: http://arxiv.org/abs/2306.07246v1
- Date: Mon, 12 Jun 2023 17:12:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 13:43:56.619276
- Title: Reliable machine learning potentials based on artificial neural network
for graphene
- Title(参考訳): ニューラルネットワークを用いたグラフェンの信頼性の高い機械学習ポテンシャル
- Authors: Akash Singh, Yumeng Li
- Abstract要約: グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。
分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。
人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
- 参考スコア(独自算出の注目度): 2.115174610040722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphene is one of the most researched two dimensional (2D) material due to
its unique combination of mechanical, thermal and electrical properties.
Special 2D structure of graphene enables it to exhibit a wide range of peculiar
material properties like high Young's modulus, high specific strength etc.
which are critical for myriad of applications including light weight structural
materials, multi-functional coating and flexible electronics. It is quite
challenging and costly to experimentally investigate graphene/graphene based
nanocomposites, computational simulations such as molecular dynamics (MD)
simulations are widely adopted for understanding the microscopic origins of
their unique properties. However, disparate results were reported from
computational studies, especially MD simulations using various empirical
inter-atomic potentials. In this work, an artificial neural network based
interatomic potential has been developed for graphene to represent the
potential energy surface based on first principle calculations. The developed
machine learning potential (MLP) facilitates high fidelity MD simulations to
approach the accuracy of ab initio methods but with a fraction of computational
cost, which allows larger simulation size/length, and thereby enables
accelerated discovery/design of graphene-based novel materials. Lattice
parameter, coefficient of thermal expansion (CTE), Young's modulus and yield
strength are estimated using machine learning accelerated MD simulations
(MLMD), which are compared to experimental/first principle calculations from
previous literatures. It is demonstrated that MLMD can capture the dominating
mechanism governing CTE of graphene, including effects from lattice parameter
and out of plane rippling.
- Abstract(参考訳): グラフェンは機械的、熱的、電気的性質のユニークな組み合わせにより、最も研究されている2次元の物質の一つである。
グラフェンの特別な2次元構造により、軽量構造材料、多機能コーティング、フレキシブルエレクトロニクスなど、無数の応用に不可欠な高ヤング率、高比強度など、幅広い特異な材料特性を示すことができる。
グラフェン/グラフェン系ナノコンポジットの実験的研究は非常に困難で費用がかかるが、分子動力学(md)シミュレーションのような計算シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。
しかし、計算研究、特に様々な経験的原子間ポテンシャルを用いたMDシミュレーションから異なる結果が報告された。
本研究では、グラフェンが第一原理計算に基づいてポテンシャルエネルギー面を表現するために、人工ニューラルネットワークに基づく原子間ポテンシャルを開発した。
開発した機械学習ポテンシャル(mlp)は、ab initio法の精度に近づくために高い忠実度mdシミュレーションを促進するが、計算コストは少ないため、より大きなシミュレーションサイズ/長さが可能となり、グラフェン系新材料の発見/設計が高速化される。
機械学習加速MDシミュレーション(MLMD)を用いて、格子パラメータ、熱膨張係数(CTE)、ヤング率、降伏強度を推定し、実験・第一原理計算と比較した。
MLMDはグラフェンのCTEを支配する支配機構を捉えることができ、格子パラメータや平面リッピングの影響を含む。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [72.73126947400603]
我々は、999の分子動力学軌道に対して正確なハミルトン行列を提供するために、QH9と名付けられた新しい量子ハミルトンデータセットを生成する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Machine-learning-accelerated simulations to enable automatic surface
reconstruction [2.9599032866864654]
ab initioシミュレーションは、理論上、熱力学変数の関数として材料表面の構造を予測することができる。
本稿では,多成分材料の表面位相図を予測するための二面計算ループを提案する。
論文 参考訳(メタデータ) (2023-05-12T04:53:59Z) - ViSNet: an equivariant geometry-enhanced graph neural network with
vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。
提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文 参考訳(メタデータ) (2022-10-29T07:12:46Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳(メタデータ) (2021-09-15T16:46:46Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳(メタデータ) (2021-02-04T03:11:00Z) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳(メタデータ) (2020-11-05T06:48:46Z) - Representations of molecules and materials for interpolation of
quantum-mechanical simulations via machine learning [0.0]
第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。
多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。
我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
論文 参考訳(メタデータ) (2020-03-26T18:01:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。