Reliable machine learning potentials based on artificial neural network for graphene

要約

グラフェンは、機械的、熱的、電気的特性のユニークな組み合わせにより、最も研究されている二次元 (2D) 素材の 1 つです。
グラフェンの特殊な 2D 構造により、軽量構造材料、多機能コーティング、フレキシブルエレクトロニクスなどの無数の用途に重要な、高ヤング率、高比強度などの幅広い特有の材料特性を示すことができます。
グラフェン/グラフェンベースのナノ複合材料を実験的に調査することは非常に困難でコストがかかります。分子動力学 (MD) シミュレーションなどの計算シミュレーションは、その独特の特性の微視的な起源を理解するために広く採用されています。
しかし、計算機研究、特にさまざまな経験的な原子間ポテンシャルを使用した MD シミュレーションからは、異なる結果が報告されました。
この研究では、原子間ポテンシャルに基づく人工ニューラル ネットワークが、第一原理計算に基づいてポテンシャル エネルギー面を表すグラフェン用に開発されました。
開発された機械学習ポテンシャル (MLP) により、高忠実度の MD シミュレーションが容易になり、ab initio 法の精度に近づきますが、計算コストは​​数分の 1 で済むため、より大きなシミュレーション サイズ/長さが可能になり、それによってグラフェン ベースの新規材料の発見/設計の加速が可能になります。
。
格子パラメータ、熱膨張係数 (CTE)、ヤング率、および降伏強度は、機械学習加速 MD シミュレーション (MLMD) を使用して推定され、以前の文献からの実験/第一原理計算と比較されます。
MLMD は、格子パラメータや面外リップルによる影響など、グラフェンの CTE を支配する支配的なメカニズムを捕捉できることが実証されています。

要約(オリジナル)

Graphene is one of the most researched two dimensional (2D) material due to its unique combination of mechanical, thermal and electrical properties. Special 2D structure of graphene enables it to exhibit a wide range of peculiar material properties like high Young’s modulus, high specific strength etc. which are critical for myriad of applications including light weight structural materials, multi-functional coating and flexible electronics. It is quite challenging and costly to experimentally investigate graphene/graphene based nanocomposites, computational simulations such as molecular dynamics (MD) simulations are widely adopted for understanding the microscopic origins of their unique properties. However, disparate results were reported from computational studies, especially MD simulations using various empirical inter-atomic potentials. In this work, an artificial neural network based interatomic potential has been developed for graphene to represent the potential energy surface based on first principle calculations. The developed machine learning potential (MLP) facilitates high fidelity MD simulations to approach the accuracy of ab initio methods but with a fraction of computational cost, which allows larger simulation size/length, and thereby enables accelerated discovery/design of graphene-based novel materials. Lattice parameter, coefficient of thermal expansion (CTE), Young’s modulus and yield strength are estimated using machine learning accelerated MD simulations (MLMD), which are compared to experimental/first principle calculations from previous literatures. It is demonstrated that MLMD can capture the dominating mechanism governing CTE of graphene, including effects from lattice parameter and out of plane rippling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google