修正机器学习分子动力学中由力误差导致的晶格热导率低估
材料科学
2024-09-12 v2 介观与纳米尺度物理
摘要
机器学习势 (MLPs) 已广泛应用于分子动力学 (MD) 模拟以研究热传输。然而，文献结果表明，MLPs 通常会低估典型固体的晶格热导率 (LTC)。在此，我们在神经演化势 (NEP) 的背景下定量分析了这种低估，NEP 是一种平衡效率与准确度的代表性 MLP。以晶体硅、GaAs、石墨烯和 PbTe 为例，我们揭示了机器学习力相对于参考力的拟合误差是导致 LTC 被低估的原因，因为它们构成了对原子间作用力的外部扰动。由于 NEP 模型的力误差和 Langevin 恒温器中的随机力均服从高斯分布，我们提出了一种修正 LTC 的方法：通过 Langevin 恒温器有意引入不同水平的力噪声，然后外推至零力误差极限。通过在所有典型材料上于宽温度范围内应用此修正，获得了与实验极好的一致性。基于谱分析，我们发现 LTC 的低估主要源于随机力误差导致的低频区域声子散射增加。
引用
@article{arxiv.2401.11427,
title = {Correcting force error-induced underestimation of lattice thermal conductivity in machine learning molecular dynamics},
author = {Xiguang Wu and Wenjiang Zhou and Haikuang Dong and Penghua Ying and Yanzhou Wang and Bai Song and Zheyong Fan and Shiyun Xiong},
journal= {arXiv preprint arXiv:2401.11427},
year = {2024}
}