Anharmonic Thermodynamics of Vacancies Using a Neural Network Potential
晶格非谐性被认为是在高温下强烈影响金属中的空位浓度。然而,直接使用密度泛函理论(DFT)来解释这种效应是不平凡的。在这里,我们开发了一个深度神经网络潜力的铝,克服了固有的DFT的限制,我们用它来获得准确的非谐空位形成自由能作为温度的函数。在确认高温下非谐性的重要作用的同时,计算揭示了空位形成熵的显著非线性行为,并表明空位形成自由能仅在600 K以上才违反Arkenius定律,与以前的DFT计算相反。
2019-09-23 cond-mat.mtrl-sci
Development of a physically-informed neural network interatomic potential for tantalum
材料的大规模原子模拟严重依赖于原子间势,原子间势预测系统能量和原子力。该领域的最新发展之一是通过机器学习(ML)方法构建原子间相互作用势。ML势通过使用量子力学计算生成的大型参考数据库的数值插值来预测能量和力。虽然可以实现高精度的内插,外推到未知的原子环境是不可预测的。最近提出的物理信息神经网络(PINN)模型通过将神经网络回归与基于物理的键级原子间相互作用势相结合,显着提高了可转移性。在这里,我们证明了通用PINN电位可以开发体心立方(BCC)金属。钽的PINN势再现了2.8 meV/atom内的参考能量。它准确地预测了Ta的广泛的物理性质,包括(但不限于)晶格动力学、热膨胀、点缺陷和扩展缺陷的能量、位错芯结构和Peierls势垒、熔化温度、液体Ta的结构和液体表面张力。这种潜力使得能够以接近第一原理的精度对Ta的物理和机械行为进行大规模模拟,同时速度更快。这种方法可以很容易地扩展到其他BCC金属。
2021-01-16 cond-mat.mtrl-sci
Physically-informed artificial neural networks for atomistic modeling of materials
材料的大规模原子计算机模拟在很大程度上依赖于预测原子上的势能和牛顿力的原子间势。传统的原子间相互作用势是基于物理直观的,但包含的可调参数很少,通常是不准确的。新兴的机器学习(ML)潜力实现了在大型DFT数据库中的能量之间的高度精确的插值,但是,作为纯粹的数学构造,对未知结构的可移植性较差。我们提出了一种新的方法,可以大大提高ML潜力的可转移性,通过通知他们的物理性质的原子间键合。这是通过结合一个相当普遍的物理为基础的模型(分析键级潜力)与神经网络回归。该网络在模拟过程中根据单个原子的局部环境动态调整基于物理的模型的参数。这种方法,被称为物理知情的神经网络(PINN)的潜力,证明了通过开发一个通用的PINN潜在的铝。潜力提供了DFT级的能量预测精度和良好的协议与实验和DFT数据的广泛的物理性质。我们认为,基于物理的ML势的发展是原子模拟领域最有效的前进方向。
2019-01-22 cond-mat.mtrl-sci
Structure prediction of two-dimensional materials based on neural network-driven evolutionary technique
本文提出了一种简单而有效的二维结构预测方法。该方法是基于神经网络和进化技术的组合。它允许找到原始的2D结构以及在衬底上生长的结构。实验结果表明,该方法是有效的,仅基于化学计量信息的计算可以得到稳定的结构。由于该算法能够解决给定衬底上的结构,因此从实验的角度来看,它可能是有用的。
2020-05-14 cond-mat.mtrl-sci physics.comp-ph
A Unified Deep Neural Network Potential Capable of Predicting Thermal Conductivity of Silicon in Different Phases
分子动力学模拟已被广泛用于预测热性质,但由于缺乏精确的和可转移的原子间势场,使用统一的力场以相似的精度模拟不同的相通常是困难的。因此,这个问题已经成为一个主要的障碍,预测材料的相变及其输运性质的原子级建模技术。最近,基于机器学习的算法已经成为一种很有前途的工具,以开发精确的分子动力学模拟的潜力。在这项工作中,我们的方法预测硅在不同阶段的热导率进行分子动力学模拟与深神经网络潜力的问题。这种神经网络的潜力是训练与从头计算数据的硅在结晶,液体和非晶相。我们的潜力的准确性首先验证通过再现原子结构在相变,在其他经验势通常失败。计算了不同相的热导率,与实验结果和从头算结果吻合较好。我们的工作表明,一个统一的神经网络为基础的潜力可以是一个很有前途的工具,研究相变和材料的热输运的高精度。
2019-12-10 cond-mat.mtrl-sci physics.comp-ph
A neural network interatomic potential for the phase change material GeTe
GeTe是一种典型的相变材料,在光学和电子非易失性存储器中具有很高的应用价值。我们提出了一个原子间的潜在的GeTe体相,这是使用神经网络(NN)表示的势能面从参考计算的基础上密度泛函理论。它表明,NN潜力提供了一个接近从头计算质量描述的一些属性的液体,结晶和非晶GeTe。一个可靠的经典势的可用性允许解决的相变材料,这是目前超出了第一原理分子动力学模拟的能力的技术应用的一些感兴趣的问题。
2012-01-10 cond-mat.dis-nn cond-mat.mtrl-sci
Simulating lattice thermal conductivity in semiconducting materials using high-dimensional neural network potential
我们证明了一个高维神经网络势(HDNNP)可以预测的半导体材料的晶格热导率与密度泛函理论(DFT)计算的准确性。在基于力的训练过程之后,由HDNNP和DFT预测的力之间的均方根误差小于40 meV/m2。作为典型的例子,我们提出了Si和GAN体晶体的结果。与使用DFT计算的热导率的偏差对于Si在200至500 K在1%以内,对于GAN在200至1000 K在5.4%以内。
2019-05-21 cond-mat.mtrl-sci physics.comp-ph
Structural phase transition of two-dimensional monolayer SnTe from artificial neural network
随着机器学习在工程和科学中变得越来越重要,机器学习技术将不可避免地应用于材料的研究,特别是铁电材料中常见的结构相变。在这里,我们建立和训练一个人工神经网络,以准确地预测与原子位移相关的能量变化,并使用训练好的人工神经网络在蒙特卡罗模拟铁电材料,以调查其相变。我们将这种方法应用到二维单层SnTe,并表明它确实可以用来模拟的相变和预测的转变温度。人工神经网络,当被视为一个通用的数学结构,可以很容易地转移到其他铁电材料的调查时,训练数据产生的从头算方法。
2021-03-29 cond-mat.mtrl-sci physics.comp-ph
Inferring low-dimensional microstructure representations using convolutional neural networks
Boston University(波士顿大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
我们将机器学习和计算机视觉的最新进展应用于材料信息学的一个核心问题:微观结构图像的统计表示。我们在预训练的卷积神经网络中使用激活来提供一组合成显微结构图像的高维表征。接下来,我们使用流形学习来获得这种统计特征的低维嵌入。我们表明,低维嵌入提取用于生成图像的参数。根据各种指标,卷积神经网络方法产生的嵌入比仅从两点相关性导出的类似方法要好得多。
2018-11-30 cond-mat.mtrl-sci cs.CV physics.comp-ph
A neural network potential with self-trained atomic fingerprints: a test with the mW water potential
我们提出了一个神经网络(NN)潜在的基础上建立一套新的原子指纹上的两个和三个机构的贡献,探测距离和局部取向顺序分别。与现有的神经网络潜力相比,原子指纹依赖于一小组可调参数,这些参数与神经网络权重一起训练。为了解决原子指纹参数和神经网络权重的同时训练问题,我们采用了一种退火协议,该协议逐步循环学习速率,显着提高了NN潜力的准确性。我们测试的网络潜力对mW模型的水,这是一个经典的三体势,以及捕捉液相的异常的性能。仅在三个状态点上训练,NN势能够在非常宽的密度和温度范围内再现mW模型,从负压到几个GPa,捕获从开放的随机四面体网络到密集的互穿网络的过渡。NN势也很好地再现了它没有明确训练的性质,例如mW的稳定晶相的动力学性质和结构。
2023-01-27 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.soft
Development of a general-purpose machine-learning interatomic potential for aluminum by the physically-informed neural network method
摘要原子间相互作用势是大尺度材料原子模拟的重要组成部分。最近提出的物理信息神经网络(PINN)方法结合了人工神经网络实现的高维回归与适用于金属和非金属的基于物理的键序原子间势。在本文中,我们提出了PINN方法的修改版本,该版本加速了势训练过程,并进一步提高了PINN势到未知原子环境的可移植性。作为一个应用程序,已开发了一个修改的PINN势的Al电子结构计算的大型数据库上的培训。该势再现了每个原子2.6 meV内的参考第一原理能量,并准确地预测了Al的宽范围的物理性质。这些性质包括但不限于晶格动力学、热膨胀、点缺陷和扩展缺陷的能量、熔化温度、液体Al的结构和动力学性质、液体表面和固-液界面的表面张力、以及晶界裂纹的成核和生长。PINN势的计算效率也进行了讨论。
2020-11-09 cond-mat.mtrl-sci physics.comp-ph
Graph Neural Network for Metal Organic Framework Potential Energy Approximation
State University of New York at Binghamton(纽约州立大学宾汉姆顿分校)
金属-有机骨架(MOFs)是由金属离子和有机连接体组成的纳米多孔化合物。MOFs在气体分离、气体净化和电解催化等工业应用中发挥着重要作用。重要的MOF性质,如势能,目前通过密度泛函理论(DFT)等技术计算。虽然DFT提供了准确的结果,但它的计算成本很高。我们提出了一种机器学习的方法来估计潜在的能源候选MOFs,分解成单独的成对原子相互作用,使用图神经网络。这样的技术将允许候选M0 F的高通量筛选。我们还使用DFT生成了一个包含50,000个空间配置和高质量势能值的数据库。
2020-10-29 cond-mat.mtrl-sci cs.LG
Accelerated Neural Network Training through Dimensionality Reduction for High-Throughput Screening of Topological Materials
针对神经网络训练计算成本高、特征先验知识不足的问题,本研究用降维算法构建有效特征,借助AdaBoost估算合适维度,以Materiae数据库数据为基础,旨在快速构建预测新材料拓扑性质的模型。
2023-08-24 cond-mat.mtrl-sci cond-mat.str-el
Atomic energy mapping of neural network potential
我们表明,机器学习潜力的智能来自于它从给定的一组总能量推断参考原子能量函数的能力。通过利用特征空间中原子能量具有固定参考值的不变点,我们研究了神经网络势的原子能量映射。通过一系列Si上的例子,我们证明了神经网络的潜力是脆弱的“特设”映射,其中总能量似乎是准确的训练,而原子能映射是不正确的,尽管它的能力。我们表明,能量映射可以通过仔细选择训练集,并在训练过程中的不变点监测原子的能量得到改善。
2019-03-11 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Interatomic Potential in a Simple Dense Neural Network Representation
原子尺度的模拟为理解材料的力学性能提供了一种直接有效的方法。在经典力学体系中,金属和合金的热力学性质的模拟可以通过求解运动方程或进行Monte Carlo采样来完成。精确模拟这样的物理系统以产生忠实的物理量的关键组成部分是使用适当的势场或力场。在本文中,我们将探索使用机器学习领域的方法来克服和绕过原子系统拟合势时遇到的困难。特别是,我们将表明,经典的潜力可以表示一个稠密的神经网络具有良好的精度。
2019-11-04 cond-mat.mtrl-sci cond-mat.stat-mech physics.comp-ph
A Fourth-Generation High-Dimensional Neural Network Potential with Accurate Electrostatics Including Non-local Charge Transfer
机器学习潜力已经成为许多领域原子模拟的重要工具,从化学到分子生物学再到材料科学。然而,大多数已建立的方法依赖于局部性质,因此无法考虑电子结构的全局变化,这是由长程电荷转移或不同的电荷状态引起的。在这项工作中,我们克服了这一限制,通过引入第四代高维神经网络电位相结合的电荷平衡计划,采用环境依赖的原子电负性与准确的原子能量。该方法能够正确描述任意系统中的全局电荷分布,产生了更高的能量,并大大扩展了现代机器学习潜力的适用性。这是证明了一系列的系统,代表典型的情况下,化学和材料科学,是不正确的描述目前的方法,而第四代神经网络潜力是在良好的协议与电子结构计算。
2020-09-14 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
E(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials
Harvard University(哈佛大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Robert Bosch Research and Technology Center(罗伯特·博世研究与技术中心);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Massachusetts Institute of Technology(麻省理工学院)
本文介绍了神经等变原子间势(NequIP),一种用于从从头计算中学习原子间势的E(3)-等变神经网络方法,用于分子动力学模拟。虽然大多数当代的几何感知模型使用不变卷积并且只作用于标量,但NequIP使用E(3)-等变卷积来处理几何张量的相互作用,从而使原子环境的信息更加丰富和忠实。该方法在一组具有挑战性和多样性的分子和材料上实现了最先进的准确性,同时表现出显着的数据效率。NequIP的性能优于现有模型,训练数据少了三个数量级,挑战了人们普遍认为的深度神经网络需要大量训练集的观点。该方法的高数据效率允许使用高阶量子化学理论水平作为参考来构建精确的势,并且能够在长时间尺度上进行高保真度的分子动力学模拟。
2021-12-16 cond-mat.mtrl-sci cs.LG physics.comp-ph