利用机器学习原子能量探索无定形石墨烯的构型空间
化学物理
2023-06-06 v1 材料科学
摘要
二维扩展无定形碳（“无定形石墨烯”）是二维无序的原型体系，展现出丰富而复杂的构型空间，尚待充分理解。此处我们借助原子尺度机器学习（ML）模型探究无定形石墨烯的本质。我们通过蒙特卡洛键切换向有序石墨烯中引入缺陷来构建结构模型，利用与缺陷相关的机器学习局域原子能量及最近邻（NN）环境定义接受准则。我们发现，以此方式由 ML 原子能量可得到具物理意义的结构模型，范围从连续随机网络到次晶结构。我们的结果表明，ML 原子能量原则上可用于引导蒙特卡洛结构搜索，且其局域稳定性预测可与无定形石墨烯中的短程与中程有序相关联。我们预期前者将更普遍地关涉无定形材料的研究，而后者对 ML 势模型的解读具有更广泛的意义。
引用
@article{arxiv.2207.09423,
title = {Exploring the configurational space of amorphous graphene with machine-learned atomic energies},
author = {Zakariya El-Machachi and Mark Wilson and Volker L. Deringer},
journal= {arXiv preprint arXiv:2207.09423},
year = {2023}
}