論文の概要: On Simulating Thin-Film Processes at the Atomic Scale Using Machine Learned Force Fields

• arxiv url: http://arxiv.org/abs/2505.01118v1
• Date: Fri, 02 May 2025 08:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.976075
• Title: On Simulating Thin-Film Processes at the Atomic Scale Using Machine Learned Force Fields
• Title（参考訳）: 機械学習力場を用いた原子スケール薄膜プロセスのシミュレーション
• Authors: S. Kondati Natarajan, J. Schneider, N. Pandey, J. Wellendorff, S. Smidstrup,
• Abstract要約: 機械学習の力場は、計算材料と表面科学の分野を征服している。 本稿では,プロセスシミュレーションに適したMLFFを効率的に構築する方法を示す。 HfO2の原子層堆積における前駆体パルスとMoS2の原子層エッチングの2つの技術プロセスの例を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Atomistic modeling of thin-film processes provides an avenue not only for discovering key chemical mechanisms of the processes but also to extract quantitative metrics on the events and reactions taking place at the gas-surface interface. Molecular dynamics (MD) is a powerful computational method to study the evolution of a process at the atomic scale, but studies of industrially relevant processes usually require suitable force fields, which are in general not available for all processes of interest. However, machine learned force fields (MLFF) are conquering the field of computational materials and surface science. In this paper, we demonstrate how to efficiently build MLFFs suitable for process simulations and provide two examples for technologically relevant processes: precursor pulse in the atomic layer deposition of HfO2 and atomic layer etching of MoS2.
• Abstract（参考訳）: 薄膜プロセスの原子論的モデリングは、プロセスの重要な化学機構を発見するためだけでなく、ガス-表面界面で起こっている事象と反応に関する定量的なメトリクスを抽出するための道を提供する。 分子動力学(MD)は、原子スケールでのプロセスの進化を研究するための強力な計算方法であるが、産業的に関係のあるプロセスの研究は通常、すべてのプロセスで一般に利用できない適切な力場を必要とする。 しかし、機械学習力場(MLFF)は計算材料と表面科学の分野を征服している。 本稿では,プロセスシミュレーションに適したMLFFを効率的に構築する方法を実証し,HfO2の原子層堆積における前駆体パルスとMoS2の原子層エッチングの2つの技術応用例を示す。

関連論文リスト

• A General Neural Network Potential for Energetic Materials with C, H, N, and O elements [0.9742644628669695]
  高エネルギー材料(HEM)は、禁止的な計算費用と開発サイクルの延長によって制約される。 我々は,HEMの構造,機械的,分解特性を効率的に予測する汎用ニューラルネットワーク電位(NNP)を開発した。
  論文  参考訳（メタデータ） (2025-03-03T03:24:59Z)
• Excited-state nonadiabatic dynamics in explicit solvent using machine learned interatomic potentials [0.602276990341246]
  我々はFieldSchNetを用いてQM/MM静電埋め込みを、非断熱励起状態軌跡のML/MMに置き換える。 ML/MMモデルはQM/MM表面ホッピング参照シミュレーションの電子動力学と構造再構成を再現することを示した。
  論文  参考訳（メタデータ） (2025-01-28T14:14:43Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Exploration of Quantum Computing in Materials Discovery for Direct Air Capture Applications [0.06827423171182154]
  二酸化炭素の直接空気捕捉(DAC)は気候変動を緩和するための有望な方法である。 金属-有機フレームワークのような固形剤は、現在DACアプリケーションでテストされている。 従来の計算ハードウェアと量子コンピューティングハードウェアの両方でシミュレーションを行うために、qubit-ADAPT-VQE技術を適用した。
  論文  参考訳（メタデータ） (2024-04-19T18:11:38Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• 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)

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。