用于温稠密物质研究的即时机器学习力场：在 CH 扩散与粘度中的应用
计算物理
2024-02-22 v1 高能物理 - 理论
摘要
我们开发了一个用于温稠密物质 (WDM) 即时 (on-the-fly) 机器学习力场 (MLFF) 分子动力学 (MD) 模拟的框架。具体而言，我们采用了一种基于核方法和贝叶斯线性回归的 MLFF 方案，其训练数据由高斯谱求积法生成的 Kohn-Sham 密度泛函理论 (DFT) 产生，在此框架内我们计算能量、原子力和应力。通过将预测的温稠密碳性质与文献中最近的 Kohn-Sham DFT 结果进行比较，我们验证了该形式体系的准确性。在此过程中，我们证明了 WDM 的从头算 (ab initio) MD 模拟可加速高达三个数量级，同时保持从头算精度。我们将此框架应用于计算密度为 1 g/cm、温度范围为 75,000 至 750,000 K 的 CH 的扩散系数和剪切粘度。我们发现自扩散系数、互扩散系数以及粘度均遵循温度的幂律，且扩散系数结果表明 CH 中 C 和 H 之间存在弱耦合。此外，我们发现 C 和 CH 的结果在标准差范围内与先前结果一致，但 H 的结果存在分歧，这表明了进行此处所示从头算计算的必要性。
引用
@article{arxiv.2402.13450,
title = {On-the-fly machine learned force fields for the study of warm dense matter: application to diffusion and viscosity of CH},
author = {Shashikant Kumar and Xin Jing and John E. Pask and Phanish Suryanarayana},
journal= {arXiv preprint arXiv:2402.13450},
year = {2024}
}
备注
9 pages, 5 figures, 2 tables