Machine learning interatomic potential can infer electrical response

要約

材料と化学システムの電界に対する反応をモデル化することは、長年の課題のままです。
機械学習間原子間ポテンシャル（MLIP）は、量子機械的方法に効率的でスケーラブルな代替品を提供しますが、電気的応答を組み込んでいません。
ここでは、エネルギーと力データからのみ学習することによって、潜在的なEwald Summation（LES）フレームワーク内の長距離MLIPから、偏光と生まれた有効電荷（BEC）テンソルを直接抽出できることを示します。
このアプローチを使用して、ゼロまたは有限の外部電界下でのバルク水の赤外線スペクトル、高圧スーパーイオン氷のイオン導電率、および強誘電性PBTIO $ _3 $ペロブスカイトの相転移とヒステリシスを予測します。
したがって、この作業は、電荷や偏光、またはBECでのトレーニングを予測するためにMLIPの能力を拡張し、大規模な多様なシステムでの電気フィールド駆動型プロセスの正確なモデリングを可能にします。

要約(オリジナル)

Modeling the response of material and chemical systems to electric fields remains a longstanding challenge. Machine learning interatomic potentials (MLIPs) offer an efficient and scalable alternative to quantum mechanical methods but do not by themselves incorporate electrical response. Here, we show that polarization and Born effective charge (BEC) tensors can be directly extracted from long-range MLIPs within the Latent Ewald Summation (LES) framework, solely by learning from energy and force data. Using this approach, we predict the infrared spectra of bulk water under zero or finite external electric fields, ionic conductivities of high-pressure superionic ice, and the phase transition and hysteresis in ferroelectric PbTiO$_3$ perovskite. This work thus extends the capability of MLIPs to predict electrical response–without training on charges or polarization or BECs–and enables accurate modeling of electric-field-driven processes in diverse systems at scale.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google