Home
For authors
Submission status

Archive
Archive (English)
Current
   Volumes 93-112
   Volumes 113-120
      Volume 120
      Volume 119
      Volume 118
      Volume 117
      Volume 116
      Volume 115
      Volume 114
      Volume 113
Search
VOLUME 117 (2023) | ISSUE 5 | PAGE 377
Структурная наследственность жидкость-кристалл в потенциалах машинного обучения для сетеобразующих систем
Abstract
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.