Stress and heat flux via automatic differentiation

要約

タイトル：自動微分による応力および熱流量

要約：

– 機械学習ポテンシャルは、Born-Oppenheimerポテンシャルエネルギー面の計算効率の良い正確な近似を提供する。

– このポテンシャルは、多くの材料特性を決定し、シミュレーション技術では、分子動力学における力や応力、熱伝導特性における熱流量の勾配が必要とされる。

– 近年開発されたポテンシャルは、高い形式体と、メッセージパッシング機構を介した相変異性半局所相互作用を含むことができる。

– これら複雑な機能形式は、手動での実装や有限差分スキームを評価する必要を克服するために、自動微分（AD）に依存している。

– この研究は、そのようなポテンシャルで力、応力、熱流量を得るための統一ADアプローチを示し、モデルに依存しない実装を提供する。

– この方法は、Lennard-Jonesポテンシャルでテストされ、それから、相変異性メッセージパッシングニューラルネットワークポテンシャルを用いて、ヒ素化スズの接着特性および熱伝導を予測するために適用される。

要約(オリジナル)

Machine-learning potentials provide computationally efficient and accurate approximations of the Born-Oppenheimer potential energy surface. This potential determines many materials properties and simulation techniques usually require its gradients, in particular forces and stress for molecular dynamics, and heat flux for thermal transport properties. Recently developed potentials feature high body order and can include equivariant semi-local interactions through message-passing mechanisms. Due to their complex functional forms, they rely on automatic differentiation (AD), overcoming the need for manual implementations or finite-difference schemes to evaluate gradients. This study demonstrates a unified AD approach to obtain forces, stress, and heat flux for such potentials, and provides a model-independent implementation. The method is tested on the Lennard-Jones potential, and then applied to predict cohesive properties and thermal conductivity of tin selenide using an equivariant message-passing neural network potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI