面向大规模模拟的 Cu、Al 和 Ni 快速且准确的机器学习原子势
材料科学
2024-08-29 v1 计算物理
摘要
机器学习（ML）已在开发分子动力学模拟的原子势中广泛应用。然而，大多数 ML 势能仍远慢于经典原子势，且通常以近平衡模拟为训练目标。本文使用高斯近似势（GAP）方法开发 Cu、Al 和 Ni 的 ML 势能。具体而言，我们创建了低维标签化版本（tabGAP）的势能，这些势能比 GAP 的计算效率提高两个数量级，使能够进行大规模多百万原子系统的模拟。ML 势能使用多样化的精选结构数据库进行训练，包括固定外部斥力势以处理短程相互作用。势能经过广泛验证，用于模拟广泛的基本材料属性，如堆积错位和阈值位移能。此外，我们使用这些势能模拟了不同晶体取向下的单晶单轴压缩加载，既有原始模拟单元，也有含有预存在缺陷的单元。
引用
@article{arxiv.2408.15779,
title = {Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni},
author = {Aslak Fellman and Jesper Byggmästar and Fredric Granberg and Kai Nordlund and Flyura Djurabekova},
journal= {arXiv preprint arXiv:2408.15779},
year = {2024}
}