論文の概要: Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
- arxiv url: http://arxiv.org/abs/2603.18864v1
- Date: Thu, 19 Mar 2026 13:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.154581
- Title: Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
- Title（参考訳）: ガス表面散乱ダイナミクスのための機械学習に基づく原子間ポテンシャルのデータ駆動構築--グラファイトのNOの場合
- Authors: Samuel Del Fré, Gilberto A. Alou Angulo, Maurice Monnerville, Alejandro Rivero Santamaría,
- Abstract要約: 本研究では,ガス表面散乱力学に適した機械学習原子間ポテンシャル(MLIP)を構築するためのデータ駆動ワークフローを開発する。
得られたMLIPは、高忠実度で参照エネルギーと力を再現し、AIMDよりはるかに低い計算コストでグラファイトからのNO散乱の大規模分子動力学シミュレーションを可能にする。
- 参考スコア（独自算出の注目度）: 39.146761527401424
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate atomistic simulations of gas-surface scattering require potential energy surfaces that remain reliable over broad configurational and energetic ranges while retaining the efficiency needed for extensive trajectory sampling. Here, we develop a data-driven workflow for constructing a machine-learning interatomic potential (MLIP) tailored to gas-surface scattering dynamics, using nitric oxide (NO) scattering from highly oriented pyrolytic graphite (HOPG) as a benchmark system. Starting from an initial ab initio molecular dynamics (AIMD) dataset, local atomic environments are described by SOAP descriptors and analyzed in a reduced feature space obtained through principal component analysis. Farthest point sampling is then used to build a compact training set, and the resulting Deep Potential model is refined through a query-by-committee active-learning strategy using additional configurations extracted from molecular dynamics simulations over extended ranges of incident energies and surface temperatures. The final MLIP reproduces reference energies and forces with high fidelity and enables large-scale molecular dynamics simulations of NO scattering from graphite at a computational cost far below that of AIMD. The simulations provide detailed insight into adsorption energetics, trapping versus direct scattering probabilities, translational energy loss, angular distributions, and rotational excitation. Overall, the results reproduce the main experimental trends and demonstrate that descriptor-guided sampling combined with active learning offers an efficient and transferable strategy for constructing MLIPs for gas-surface interactions.
- Abstract（参考訳）: 気体表面散乱の正確な原子論シミュレーションでは、広い構成範囲とエネルギー範囲で信頼性を維持しながら、広い軌道サンプリングに必要な効率を維持しているポテンシャルエネルギー面を必要とする。
本稿では,高配向熱分解性黒鉛 (HOPG) からの一酸化窒素 (NO) 散乱をベンチマークシステムとして,ガス表面散乱力学に適した機械学習原子間ポテンシャル (MLIP) を構築するためのデータ駆動ワークフローを開発する。
初期ab initio molecular dynamics (AIMD) データセットから始めて、局所原子環境はSOAP記述子によって記述され、主成分分析によって得られた特徴空間で解析される。
最遠点サンプリングは、コンパクトなトレーニングセットを構築するために使用され、結果のDeep Potentialモデルは、インシデントエネルギーと表面温度の広範囲にわたる分子動力学シミュレーションから抽出された追加構成を用いて、クエリ・バイ・コミッテ・アクティブ・ラーニング戦略によって洗練される。
最終MLIPは、高忠実度で参照エネルギーと力を再現し、AIMDよりはるかに低い計算コストでグラファイトからのNO散乱の大規模分子動力学シミュレーションを可能にする。
シミュレーションは吸着エネルギー、トラップ対直接散乱確率、翻訳エネルギー損失、角分布、回転励起に関する詳細な知見を提供する。
全体として,本研究の主な実験傾向を再現し,記述子誘導サンプリングとアクティブラーニングを組み合わせることで,ガス-表面相互作用のためのMLIPを構築するための効率的かつ伝達可能な戦略が提供されることを示した。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。
高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
論文 参考訳（メタデータ） (2025-06-20T16:38:29Z) - From expNN to sinNN: automatic generation of sum-of-products models for potential energy surfaces in internal coordinates using neural networks and sparse grid sampling [0.0]
本研究の目的は,積の和形におけるポテンシャルエネルギー面を表す正弦波活性化関数を持つ単一層人工ニューラルネットワークの実現性を評価することである。
sinNNという名前のフィッティングアプローチはHONOのPSSをモデル化し、トランス異性体とシス異性体の両方をカバーする。
sinNN PESモデルは、利用可能な基本振動遷移エネルギーを17cm-1の根平均二乗誤差で再現することができた。
論文 参考訳（メタデータ） (2025-04-30T07:31:32Z) - A POD-TANN approach for the multiscale modeling of materials and macroelement derivation in geomechanics [0.0]
本稿では,多角形分解(POD)と熱力学に基づくニューラルネットワーク(TANN)を組み合わせることで,複雑な非弾性系のマクロ的挙動を捉える手法を提案する。
以上の結果から,POD-TANN手法は実験結果の精度を再現するだけでなく,計算コストを低減し,不均一な非弾性地盤力学系のマルチスケールモデリングの実用的なツールとなることが示唆された。
論文 参考訳（メタデータ） (2024-08-13T19:08:56Z) - A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。
CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。
その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
論文 参考訳（メタデータ） (2024-03-19T22:05:17Z) - Enhanced sampling of robust molecular datasets with uncertainty-based
collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。
このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文 参考訳（メタデータ） (2024-02-06T06:42:51Z) - 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) - Simulation of absorption spectra of molecular aggregates: a Hierarchy of
Stochastic Pure States approach [68.8204255655161]
純粋な状態の階層(HOPS)は、局所的な軌跡に基づく正式な正確な解を提供する。
大集合体における吸収スペクトルのシミュレーションのためにHOPSの局在を爆発させるには、正規化軌道の定式化が必要である。
論文 参考訳（メタデータ） (2021-11-01T16:59:54Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。