Modellierung von Quartz

Machine-Learning Interatomares Potential für Siliziumdioxid

28.07.2022 von

Spinnendiagramme der Leistung verschiedener interatomarer Potentiale bei der Vorhersage von Eigenschaften von Siliziumdioxid.

In der vorliegenden Arbeit verschieben wir die Grenzen der derzeit verfügbaren Potentiale für SiO2, indem wir ein ML-Potential für eine Reihe von kristallinen Polymorphen sowie Modelle für flüssige und amorphe Phasen trainieren. Das Potenzial zeigt eine hohe thermodynamische Genauigkeit, die durch die Verwendung normierten SCAN Funktionals für die Berechnung von Referenzdaten ermöglicht wird. Es wird gezeigt, dass das ML-Potential ein überlegenes Verhalten bei Vorhersagen von Phasenkoexistenzlinien und strukturellen Hochdruckübergängen im Vergleich zu mehreren existierenden, empirisch angepassten interatomaren Potentialen hat. Die Ergebnisse ermöglichen es uns auch, die Kriterien zur Bewertung der Qualität eines ML-Potenzials allgemeiner zu diskutieren und es in Bezug auf Rechenaufwand, Vorhersagekraft und Anwendbarkeit auf praktische Forschungsfragen in den Kontext etablierter Simulationsmethoden zu stellen.

npj Computational Materials (2022) 8:9