新框架将机器学习应用于原子建模

西北大学的研究人员使用机器学习开发了一个新框架，该框架提高了新材料设计中原子间势(描述原子如何相互作用的指导规则)的准确性。这些发现可以更准确地预测新材料如何在原子尺度上传递热量、变形和失效。

设计新的纳米材料是开发用于电子、传感器、能量收集和存储、光学探测器和结构材料的下一代设备的一个重要方面。为了设计这些材料，研究人员通过原子建模创建原子间势，这是一种计算方法，通过在最小级别考虑它们的特性来预测这些材料的行为。建立材料原子间势的过程(称为参数化)需要重要的化学和物理直觉，导致对新材料设计的预测不太准确。

研究人员的平台通过采用多目标遗传算法优化和统计分析技术来最大限度地减少用户干预，并筛选出有希望的原子间势和参数集。

“我们开发的计算算法为分析师提供了一种评估和避免传统缺陷的方法，”Horacio Espinosa、James N. 和 Nancy J. Farley 制造和创业教授、机械工程教授和(礼貌地)生物医学工程和土木工程教授说。和环境工程，谁领导了这项研究。“它们还提供了根据感兴趣的应用程序定制参数化的方法。”

研究结果发表于 7 月 21 日在Nature Partner Journals-Computational Materials上发表的题为“使用多目标遗传算法和统计分析对精确大变形路径进行原子间电位参数化：二维材料案例研究”的研究。

西北工程学院理论与应用力学 (TAM) 研究生项目的学生 Xu Zhang 和 Hoang Nguyen 是该研究的共同第一作者。其他合著者包括加拿大维多利亚大学的 Jeffrey T. Paci、阿贡国家实验室的 Subramanian Sankaranarayanan 和密歇根州立大学的 Jose Mendoza。

研究人员的框架使用从密度泛函理论模拟结果中获得的训练和筛选数据集，然后是包括主成分分析和相关分析在内的评估步骤。

“我们定义了一系列步骤，以在给定特定优化目标的情况下实现迭代学习方法，”负责 TAM 计划的 Espinosa 说。“我们的统计方法使用户能够实现相互冲突的优化目标，这对于设置参数化潜力的适用性和可转移性的限制很重要。” 这些关系可以揭示一些似乎彼此无关的现象背后的潜在物理学。

该团队确定了原子间势的准确性与所述参数的复杂性和数量之间存在正相关性——这一现象在该领域被认为是真实的，但之前没有使用定量方法得到证实。这种复杂程度必须通过相当数量的训练数据来满足。如果不这样做，尤其是携带关键信息的数据，则会导致准确性降低。

例如，研究人员发现，为了提高原子间势的保真度，需要非平衡特性和力匹配数据。

“这包括对大变形路径和材料失效的更好描述，”Nguyen 说。

“虽然这些不是人们在参数化过程中关注的常规属性，但它们对于理解材料和设备的可靠性和功能至关重要，”张说。

新方法还有助于消除用户体验进入该研究领域的障碍。“通过这项工作，我们希望通过使模拟技术更准确地反映材料的特性来向前迈进。这些知识可以扩展并最终影响我们都使用的设备和技术的设计，”张说。

接下来，研究人员将使用他们的模型扩展他们的研究，以研究二维材料的断裂和变形，以及缺陷工程在韧性增强中的作用。他们还在开发原位电子显微镜实验，以揭示原子失效模式，提供一种评估参数化电位预测能力的方法。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！