Entwicklung eines allgemein anwendbaren Machine Learning Potentials mit hochgenauen langreichweitigen elektrostatischen Wechselwirkungen

• Antragsteller: Professor Dr. Jörg Behler
• Fachliche Zuordnung: Theoretische Chemie: Moleküle, Materialien, Oberflächen ; Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung von 2019 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 411538199

In den letzten Jahren wurde eine neue Generation interatomarer Potentiale eingeführt, die auf Techniken des maschinellen Lernens beruht. Diese Potentiale, die einen direkten funktionalen Zusammenhang zwischen den Atompositionen und der potentiellen Energie liefern, besitzen sowohl die Genauigkeit von Elektronenstrukturrechnungen als auch die Effizienz einfacher empirischer Potentiale. Durch das Fehlen systemabhängiger Terme erlauben sie die Durchführung großskaliger Simulationen für eine Vielzahl von Systemen. Die meisten dieser Potentiale basieren auf atomaren Eigenschaften wie Energien und Ladungen, die von den lokalen chemischen Umgebungen der Atome abhängen. Solche lokalen Ladungen sind jedoch nicht in der Lage, Ladungstransfer über große Distanzen zu berücksichtigen. Dies verhindert die genaue Beschreibung von Systemen, in denen weit entfernte Strukturelemente einen signifikanten Effekt auf die globale Ladungsverteilung haben. Beispiele für solche Systeme sind Punktdefekte in Halbleitern, polare Oberflächen von Oxiden und metallorganische Moleküle mit verschiedenen möglichen Oxidationsstufen der Metallatome. Um diese intrinsischen Limitierungen aktueller Machine Learning Potentiale zu überwinden, schlagen wir die Kombination hochdimensionaler neuronaler Netze mit der Charge Equilibration Neural Network Technik vor. Die daraus resultierende neue Methode ist allgemeingültig und auf alle Systeme anwendbar. Dies werden wir anhand der Analyse von Energieflächen verschiedener Modellsysteme, die alle Bindungsarten abdecken, mit Hilfe der Minima Hopping Methode zeigen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Schweiz
• Partnerorganisation: Schweizerischer Nationalfonds (SNF)
• Kooperationspartner: Professor Dr. Stefan Goedecker