开发机器学习势能研究镍纳米团簇的结构与热力学
材料科学
2024-11-01 v3
摘要
机器学习（ML）势能，如高斯近似势（GAP），已在多种系统中展示了将结构映射到性质的惊人能力。这里，我们介绍了一个用于低维Ni纳米团簇的GAP模型，并展示了其在捕捉Ni纳米团簇在广泛尺寸范围内的能量学、结构多样性和热力学性质方面的灵活性和有效性。通过包括模型开发、验证和应用在内的系统方法，我们评估了模型在低维区域表示能量学和构型特征的有效性，同时考察了其对截然不同的时空区域的推断性质。我们的分析和讨论揭示了有效训练此类模型所需的数据质量。使用GAP模型进行的大规模MD模拟轨迹，结合图神经网络（GNN）等数据驱动模型进行分析，揭示了多孔Ni纳米颗粒的尺寸依赖相行为和热力学稳定性特征的有趣见解。总体而言，我们的工作强调了ML模型与数据驱动方法相结合作为研究低维系统和复杂材料动力学的多功能工具的潜力。
引用
@article{arxiv.2405.14683,
title = {Development of a Machine Learning Potential to Study Structure and Thermodynamics of Nickel Nanoclusters},
author = {Suvo Banik and Partha Sarathi Dutta and Sukriti Manna and Subramanian KRS Sankaranarayanan},
journal= {arXiv preprint arXiv:2405.14683},
year = {2024}
}