一种高效神经进化潜能用于托贝尔莫尔与钙硅酸盐水合物系统，具 ab initio 精度
介观与纳米尺度物理
2025-05-27 v1
摘要
托贝尔莫尔（tobermorite）和钙硅酸盐水合物（Calcium Silicate Hydrate, C-S-H）系统是必不可少的水泥材料，但仍缺乏一种兼具高精度和高计算效率的满意的原子势能函数，以更好地理解其机械性能。本文开发了一种基于 Ziegler-Biersack-Littmark 混合框架的神经进化机器学习潜能（Neuroevolution Machine Learning Potential, NEP），用于托贝尔莫尔和 C-S-H 系统，该潜能在分子动力学模拟中实现了前所未有的效率，同时大幅减少了训练数据集。我们的 NEP 模型仅需约300个训练结构即可实现与 DFT 计算相当的预测精度，这比其他用于托贝尔莫尔的机器学习潜能所需的训练结构数量更少。关键在于，GPU 加速的 NEP 计算使大型托贝尔莫尔系统的可扩展模拟成为可能，每个 GPU 卡上可高效地处理数千个原子。我们通过准确预测托贝尔莫尔的机械性能、声子态密度和热导率，展示了 NEP 的多功能性。此外，我们将 NEP 应用扩展到非晶 C-S-H 的大规模模拟，凸显了其在各种真实条件下进行结构和机械行为综合分析的潜力。
引用
@article{arxiv.2505.18993,
title = {A high-efficiency neuroevolution potential for tobermorite and calcium silicate hydrate systems with ab initio accuracy},
author = {Xiao Xu and Shijie Wang and Haifeng Qin and Zhiqiang Zhao and Zheyong Fan and Zhuhua Zhang and Hang Yin},
journal= {arXiv preprint arXiv:2505.18993},
year = {2025}
}