基于形态自回归协议(MAP)与卷积神经网络的三维无序物质模拟
介观与纳米尺度物理
2023-09-06 v3 无序系统与神经网络
统计力学
摘要
非晶催化剂、有机薄膜、电解质溶液与水等无序分子系统正处于当今计算探索的前沿。此类系统在实验相关长度尺度上的传统模拟实际上需要在模型精度与采样质量之间折衷。为改善此状况,我们开发了基于生成式机器学习的方法——形态自回归协议(MAP),对于结构关联衰减足够迅速的材料,该方法以生成时的线性代价提供对介观尺度无序分子构型的算力访问。该算法采用我们此前已证明在二维(2D)单元素分子系统上产生优异结果的增强PixelCNN深度学习架构实现。在此,我们将实现扩展至多元素三维,并以水为测试系统在两个场景中演示性能:1. 液态水;2. 以稀有基序存在为条件的样本。我们在包含核量子效应的环境条件下使用路径积分分子动力学模拟生成的小尺度液态水样本上训练模型。MAP生成的水构型被证明能准确复现训练集性质,并在经典与量子动力学模拟中作为初始条件产生稳定轨迹。我们期望该方法在其他无序分子系统上同样表现良好,同时在无序为淬火而非平衡的情形下提供独特优势。
引用
@article{arxiv.2301.04277,
title = {Simulations of Disordered Matter in 3D with the Morphological Autoregressive Protocol (MAP) and Convolutional Neural Networks},
author = {Ata Madanchi and Michael Kilgour and Frederik Zysk and Thomas D. Kühne and Lena Simine},
journal= {arXiv preprint arXiv:2301.04277},
year = {2023}
}