面向铁电相变的机器学习:基于图卷积神经网络的分子动力学模拟OA北大核心CSTPCD
铁电材料广泛应用于功能器件中,对铁电体进行方便、准确的理论建模,是一个长期被关注的问题.本文提出了一种基于图卷积神经网络的铁电相变模拟方法,利用图卷积神经网络对铁电材料的势能面进行原子层面的建模,并将得到的神经网络势函数作为计算器,以驱动大体系的分子动力学模拟.给定原子位置,训练好的图卷积神经网络能够给出势能的高精度预测,达到每原子1 meV级别,与从头算(ab inito)精度基本相当,同时在计算速度上相比从头算方法有数个数量级的提升.得益于神经网络的高精度和快速预测能力,结合分子动力学模拟,本文对两种不同类型的铁电材料——GeTe和CsSnI3进行研究,成功模拟了它们随温度发生的结构相变,模拟结果和实验相符合.这些结果说明了图卷积神经网络在铁电体建模和相变模拟应用中的准确性和可靠性,为铁电体的理论探索提供了一个通用建模方法.
欧阳鑫健;张岩星;王之龙;张锋;陈韦嘉;庄园;揭晓;刘来君;王大威;
西安交通大学电子与信息学部微电子学院,西安710049河南师范大学物理学院,新乡453007桂林理工大学材料科学与工程学院,桂林541004
计算机与自动化
铁电相变机器学习势函数
《物理学报》 2024 (008)
P.273-286 / 14
国家自然科学基金(批准号:11974268,12111530061)资助的课题.
评论