 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
И. А. Балякин+*, Р. Е. Рыльцев+ 1), Н. М. Щелкачев+× 1)
+Институт металлургии Уральского отделения РАН, 620016 Екатеринбург, Россия *Научно-образовательный центр "Наноматериалы и нанотехнологии", Уральский Федеральный университет, 620002 Екатеринбург, Россия ×Институт физики высоких давлений им. Л. Ф. Верещагина, 142190 Москва, Россия
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. |