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

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».