論文の概要: Phase discovery with active learning: Application to structural phase
transitions in equiatomic NiTi
- arxiv url: http://arxiv.org/abs/2401.05568v1
- Date: Wed, 10 Jan 2024 22:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 01:56:32.917736
- Title: Phase discovery with active learning: Application to structural phase
transitions in equiatomic NiTi
- Title(参考訳): 能動学習による相発見:等原子NiTiの構造相転移への応用
- Authors: Jonathan Vandermause, Anders Johansson, Yucong Miao, Joost J. Vlassak
and Boris Kozinsky
- Abstract要約: ニッケルチタン(NiTi)は、様々な生体医療・工学機器で用いられる形状記憶合金である。
そこで我々は, LDA, PBE, PBEsol, SCAN DFT関数に基づいて, NPT NiTi の4つの機械学習力場を訓練する。
驚いたことに、大規模な分子動力学シミュレーションでは、SCANモデルのみが可逆的なB19'-> B2相転移を予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nickel titanium (NiTi) is a protypical shape-memory alloy used in a range of
biomedical and engineering devices, but direct molecular dynamics simulations
of the martensitic B19' -> B2 phase transition driving its shape-memory
behavior are rare and have relied on classical force fields with limited
accuracy. Here, we train four machine-learned force fields for equiatomic NiTi
based on the LDA, PBE, PBEsol, and SCAN DFT functionals. The models are trained
on the fly during NPT molecular dynamics, with DFT calculations and model
updates performed automatically whenever the uncertainty of a local energy
prediction exceeds a chosen threshold. The models achieve accuracies of 1-2
meV/atom during training and are shown to closely track DFT predictions of B2
and B19' elastic constants and phonon frequencies. Surprisingly, in large-scale
molecular dynamics simulations, only the SCAN model predicts a reversible B19'
-> B2 phase transition, with the LDA, PBE, and PBEsol models predicting a
reversible transition to a previously uncharacterized low-volume phase, which
we hypothesize to be a new stable high-pressure phase. We examine the structure
of the new phase and estimate its stability on the temperature-pressure phase
diagram. This work establishes an automated active learning protocol for
studying displacive transformations, reveals important differences between DFT
functionals that can only be detected in large-scale simulations, provides an
accurate force field for NiTi, and identifies a new phase.
- Abstract(参考訳): ニッケルチタン (niti) は、様々な生体医学および工学装置で使用される非定型形状記憶合金であるが、その形状記憶挙動を駆動するマルテンサイトb19' -> b2相転移の直接分子動力学シミュレーションは稀であり、精度に乏しい古典的力場に依存する。
ここでは、LDA, PBE, PBEsol, SCAN DFT関数に基づいて、等原子NiTiに対して4つの機械学習力場を訓練する。
NPT分子動力学において、局所エネルギー予測の不確かさが選択しきい値を超えると、DFT計算とモデル更新が自動的に実行される。
モデルはトレーニング中に1-2 meV/atomの精度を達成し、B2およびB19の弾性定数とフォノン周波数のDFT予測を密に追跡する。
驚いたことに、大規模な分子動力学シミュレーションでは、SCANモデルのみが可逆的なB19' -> B2相転移を予測し、LDA, PBE, PBEsolモデルはそれまでの非特性化低体積相への可逆的な遷移を予測する。
温度-圧力相図上の新相の構造を考察し,その安定性を推定した。
この研究は、解凍変換を研究するための自動能動学習プロトコルを確立し、大規模なシミュレーションでのみ検出できるDFT関数間の重要な違いを明らかにし、NiTiの正確な力場を提供し、新しい位相を特定する。
関連論文リスト
- Investigating the Behavior of Diffusion Models for Accelerating
Electronic Structure Calculations [24.116064925926914]
機械学習を用いた電子構造計算を著しく高速化する可能性による調査
モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。
構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
論文 参考訳(メタデータ) (2023-11-02T17:58:37Z) - Evaluating the Transferability of Machine-Learned Force Fields for
Material Property Modeling [2.494740426749958]
本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。
我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。
実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
論文 参考訳(メタデータ) (2023-01-10T00:25:48Z) - Simulating 2+1D Lattice Quantum Electrodynamics at Finite Density with
Neural Flow Wavefunctions [5.049046327655608]
有限密度の動的フェルミオンを持つ2+1D格子型コンパクト量子電磁力学をシミュレートするニューラルフロー波動関数Gauge-Fermion FlowNetを提案する。
異なるフェルミオン密度およびホッピング状態における閉じ込め現象と弦破断現象について検討した。
論文 参考訳(メタデータ) (2022-12-14T18:59:07Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Spin Current Density Functional Theory of the Quantum Spin-Hall Phase [59.50307752165016]
スピン電流密度汎関数理論を量子スピンハル相に適用する。
我々は、SCDFTの電子-電子ポテンシャルにおけるスピン電流の明示的な説明が、ディラックコーンの出現の鍵であることを示す。
論文 参考訳(メタデータ) (2022-08-29T20:46:26Z) - Transition1x -- a Dataset for Building Generalizable Reactive Machine
Learning Potentials [7.171984408392421]
960万の密度汎関数理論(DFT)計算を含むデータセットトランジション1xを提案する。
MLモデルは、人気のあるベンチマークデータセットをトレーニングすることでのみ、遷移状態領域の機能を学習できないことを示す。
論文 参考訳(メタデータ) (2022-07-25T07:30:14Z) - NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。
機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。
本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文 参考訳(メタデータ) (2022-07-20T15:29:45Z) - 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) - Photoinduced prethermal order parameter dynamics in the two-dimensional
large-$N$ Hubbard-Heisenberg model [77.34726150561087]
2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。
2つの競合する位相間の光誘起遷移をシミュレートする。
論文 参考訳(メタデータ) (2022-05-13T13:13:31Z) - 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) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳(メタデータ) (2020-04-08T06:55:12Z)
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。