極限条件での炭素シミュレーションのための機械学習原子間ポテンシャル【JST・京大機械翻訳】

Willman Jonathan T.; Nguyen-Cong Kien; Williams Ashley S.; Belonoshko Anatoly B.; Moore Stan G.; Thompson Aidan P.; Wood Mitchell A.; Oleynik Ivan I.

プレプリント

J-GLOBAL ID：202202220070842844 整理番号：22P0342398

極限条件での炭素シミュレーションのための機械学習原子間ポテンシャル【JST・京大機械翻訳】

Machine Learning Interatomic Potential for Simulations of Carbon at Extreme Conditions

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2022年05月02日プレプリントサーバーでの情報更新日： 2022年05月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

スペクトル近傍解析(SNAP)機械学習原子間ポテンシャル(MLIP)を,極端な圧力(5TPaまで)と温度(20,000Kまで)での炭素のシミュレーションのために開発した。これを,実験的に関連する量子分子動力学(QMD)データの大規模データベースを用いて達成し,ロバスト機械学習方法論を用いてSNAPポテンシャルを訓練し,QMDと実験データに対して広範な検証を行った。得られた炭素MLIPは,炭素状態図,結晶相の融解曲線,および衝撃Hugoniotの予測における前例のない精度と移動性を示し,全てQMDの3%以内であった。リーダシップクラス高性能計算システムに関する量子精度と効率的な実装を達成することによって,SNAPは,実験時間と長さスケールで原子規模の洞察を可能にすることによって,古典的MDシミュレーションのフロンティアを進展させる。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

一成分系の相平衡・状態図 , 非金属化合物

, , , ,

前のページに戻る