Análisis estructural de las Alúmina usando DFT e Inteligencia Artificial

Christian Rodriguez, Xim Bokhimi

Jun 20, 2019 Submission readers: everyone
  • TL;DR: Creation of Potential of energy using Machine Learning Algorithms
  • Keywords: Potential Energy Surface, DFT, Neural Network
  • Abstract: El objetivo de este trabajo es crear una metodología para la generación de potenciales de red neuronal aplicables a las diferentes fases de la alúmina, mediante la cual sea posible calcular diferentes propiedades comparables y con la misma precisión a las obtenidas a través de los cálculos de referencia de DFT, por ejemplo, la predicción de geometrías, energías, fuerzas atómicas y cargas atómicas, empleando un costo computacional más bajo, con un mayor número de átomos (hasta millones de átomos) y con cálculos de Dinámica Molecular (MD) de hasta nanosegundos, para predecir propiedades que se asemejan a lo que sucede en el laboratorio. Los resultados a la fecha son la generación de un potencial de Red Neuronal Artificial de la α-Al2O3 a partir de los cálculos de Dinámica Molecular de primeros principios por el método de DFT, de los cuales se alimentó a la red neuronal 2820 estructuras, en donde se tomaron como variables los ambientes químicos locales, es decir, sus primeros y segundos vecinos, obteniendo un potencial de red neuronal (RN), en el cual se evaluó cual es su mejor arquitectura, es decir, cuántos nodos en sus capas ocultas es el óptimo, evaluando el tiempo y el grado de ajuste, observado que la mejor arquitectura para el alúmina es de 70-10-10-1, que es igual a 70 nodos en su capa de entrada, 10 en sus dos capas ocultas y 1 en su capa de salida. Anteriormente se había realizado un potencial en el cual se utilizaron 9 mil muestras, sin embargo, estas no tuvieron un buen ajuste debido a que los datos de entrada de la red neuronal no eran los adecuados para este tipo de estructuras, el potencial de predicción variaba entre 5-100 meV/atomo, así que se optó por solo utilizar los cálculos de la dinámica molecular a diferentes temperaturas. Se realizaron evaluaciones al potencial de red neuronal, ya que solo se había visto si funcionaba el potencial de RN de forma visual en la dinámica molecular; estas evaluaciones constaron de las simulaciones a diferentes tiempos de la ecuación de movimiento y con estructuras que no se alimentaron a la red neuronal, para verificar que el potencial fuera continuo y de un perfil suave, en esta evaluación se observó que no hay variación abrupta de las energías por lo que se puede decir que el potencial tiene un perfil de energía continuo. Adicionalmente, se realizaron cálculos de energía para diferentes tamaños de estructura, desde 30 hasta 1 millón de átomos, empleando para tal fin computadoras comerciales de escritorio, a través de tiempos con una tendencia lineal, ésto para poder evaluar el escalamiento del potencial de RN. Se realizó una simulación de Dinámica Molecular de 100,000 fs de una supercelda 2x2x2, a 1000 K y un pasos de 1 fs. De esta simulación, cada 1000 pasos se tomaron las coordenadas atómicas y las energías y se recalcularon por el método de DFT, en donde se observó que este potencial tiene un ajuste de 1 meV/átomo, en comparación con los cálculos de primeros principios.
0 Replies

Loading