Структурная наследственность жидкость-кристалл в потенциалах машинного обучения для сетеобразующих систем

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе рассмотрен вопрос о способности потенциалов машинного обучения (MLIP), параметризованных с использованием только неупорядоченных конфигураций, соответствующих жидкости, описывать свойства кристаллических фаз и предсказывать их структуру. В качестве объекта исследования мы рассматриваем сетеобразующую систему SiO2, обладающую большим количеством полиморфных фаз, значительно отличающихся по структуре и плотности. С использованием только высокотемпературных неупорядоченных конфигураций был параметризован MLIP на основе искусственных нейронных сетей (модель DeePMD). Потенциал демонстрирует хорошую способность воспроизводить ab initio зависимости энергии от объема и плотности колебательных состояний для всех рассмотренных тетра- и октаэдрических кристаллических фаз SiO2. Более того, при помощи комбинации эволюционного алгоритма и разработанного DeePMD-потенциала удалось воспроизвести реально наблюдаемые в эксперименте кристаллические структуры SiO2. Такая хорошая переносимость жидкость-кристалл для MLIP открывает перспективы моделирования структуры и свойств новых систем, для которых отсутствует экспериментальная информация о кристаллических фазах.

Об авторах

И. А Балякин

Уральский Федеральный университет; Институт металлургии Уральского отделения РАН

Email: i.a.balyakin@gmail.com
620002, Екатеринбург, Россия; 620016, Екатеринбург, Россия

Р. Е Рыльцев

Институт металлургии Уральского отделения РАН

Email: rrylcev@mail.ru
620016, Екатеринбург, Россия

Н. М Щелкачев

Институт металлургии Уральского отделения РАН; Институт физики высоких давлений им. Л. Ф. Верещагина

Автор, ответственный за переписку.
Email: n.chtchelkatchev@gmail.com
620016, Екатеринбург, Россия; 108840, г. Троицк, Москва, Россия

Список литературы

  1. Y. Mishin, Acta Mater. 214, 116980 (2021).
  2. T. Wen, L. Zhang, H. Wang, E. Weinan, and D. J. Srolovitz, Materials Futures 1, 022601 (2022).
  3. V. L. Deringer, M. A. Caro, and G. Cs'anyi, Adv. Mater. 31, 1902765 (2019).
  4. F. Ercolessi and J. B. Adams, Europhys. Lett. 26, 583 (1994).
  5. P. Brommer, A. Kiselev, D. Schopf, P. Beck, J. Roth, and H. R. Trebin, Model. Simul. Mat. Sci. Eng. 23, 074002 (2015).
  6. С. В. Стариков, В. В. Стегайлов, Г. Э. Норман et al. (Collaboration), Письма в ЖЭТФ 93, 719 (2011).
  7. Г. Э. Норман, С. В. Стариков, В. В. Стегайлов, ЖЭТФ 141, 9102012 (2012).
  8. D. Marchand, A. Jain, A. Glensk, and W. A. Curtin, Phys. Rev. Materials 4, 103601 (2020).
  9. R. E. Ryltsev and N. M. Chtchelkatchev, J. Mol. Liq. 349, 118181 (2022).
  10. I. A. Balyakin, S. V. Rempel, R. E. Ryltsev, and A. A. Rempel, Phys. Rev. E. 102, 052125 (2020).
  11. E. Oren, D. Kartoon, and G. Makov, J. Chem. Phys. 157, 014502 (2022).
  12. B. Monserrat, J. G. Brandenburg, E. A. Engel, and B. Cheng, Nat.Commun. 11, 1 (2020).
  13. C. Hong, J. M. Choi, W. Jeong, S. Kang, S. Ju, K. Lee, J. Jung, Y. Youn, and S. Han, Phys. Rev. B 102, 224104 (2020).
  14. W. Li and Y. Ando, Phys. Chem. Chem. Phys. 20, 30006 (2018).
  15. L. C. Erhard, J. Rohrer, K. Albe, and V. L. Deringer, npj Computational Materials 8, 1 (2022).
  16. J. You, C. Wang, S. L. Shang, Y. Gao, H. Ju, H. Ning, Y. Wang, H.-Y. Wang, and Z. K. Liu, 10.1016/j.jma.2021.11.024.
  17. R. E. Ryltsev and N. M. Chtchelkatchev, J. Phys.: Condens. Matter 34, 404002 (2022).
  18. V. A. Levashov, R. E. Ryltsev, and N. M. Chtchelkatchev, Physica A 585, 126387 (2022).
  19. L. V. Kamaeva, R. E. Ryltsev, V. I. Lad'yanov, and N. M. Chtchelkatchev, J. Mol. Liq. 299, 112207 (2020).
  20. H. Wang, L. Zhang, and J. Han, Comput. Phys.Commun. 228, 178 (2018).
  21. E. V. Podryabinki and A. V. Shapeev, Comput. Mater. Sci. 140, 171 (2017).
  22. Y. Zhang, H. Wang, W. Chen, J. Zeng, L. Zhang, H. Wang, and E. Weinan, Comput. Phys.Commun. 253, 107206 (2020).
  23. A. P. Thompson, H. M. Aktulga, R. Berger, D. S. Bolintineanu, W. M. Brown, P. S. Crozier, P. J. in 't Veld, A. Kohlmeyer, S. G. Moore, T. D. Nguyen, R. Shan, M. J. Stevens, J. Tranchida, C. Trott, and S. J. Plimpton, Comput. Phys.Commun. 271, 108171 (2022).
  24. G. Kresse and J. Furthmuller, Phys. Rev. B 54, 11169 (1996).
  25. G. Kresse and D. Joubert, Phys. Rev. B 59, 1758 (1999)
  26. A. R. Oganov and C. W. Glass, J. Chem. Phys. 124, 244704 (2006).
  27. A. R. Oganov, A. O. Lyakhov, and M. Valle, Acc. Chem. Res. 44, 227 (2011).
  28. A. O. Lyakhov, A. R. Oganov, H. T. Stokes, AND Q. Zhu, Comput. Phys.Commun. 184, 1172 (2013).
  29. A. Lahti, R. O¨ stermark, and K. Kokko, Comput. Mater. Sci., 210, 111011 (2022).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023