Speakers
Description
Молекулярная динамика (МД) является распространенным методом вычисления термодинамических и кинетических свойств различных материалов. Достаточной точностью обладают расчеты, сделанные из первых принципов, например, с помощью теории функционала плотности (ТФП), однако молекулярная динамика (МД), основанная на ТФП, требует больших вычислительных ресурсов. Из-за высокой вычислительной сложности крупномасштабные первопринципные моделирования практически не реализуемы. Классическая МД, основанная на эмпирических потенциалах межатомного взаимодействия, достаточно быстра для моделирования большого количества частиц, однако уступает в точности ТФП. Потенциалы межатомного взаимодействия, основанные на нейронных сетях, позволяют производить моделирование вещества с точностью первопринципных методов и при этом со скоростью классической МД. Применение нейронных сетей в качестве потенциалов межатомного взаимодействия вполне естественно, поскольку потенциал в МД рассматривается как аппроксимация поверхности потенциальной энергии. Нейронные сети обеспечивают такую аппроксимацию, причем с любой заданной точностью [1].
В данной работе рассматривается создание нейросетевого потенциала на основе пакета DeepMd [2] и расчет термодинамических свойств жидкого натрия с помощью классической МД.
Основной сложностью создания нейросетевых потенциалов является отбор молекулярных конфигураций для формирования обучающей выборки. Конфигурации из выборки должны покрывать наибольший объем в фазовом пространстве для увеличения предсказательной способности модели и не быть подобными, чтобы избежать переобучения. Для оптимального формирования обучающей выборки в данной работе использовался метод активного обучения, реализованный в программном пакете DpGen. Суть активного обучения состоит в отборе конфигураций, которые дают наибольшее расхождение в предсказаниях потенциальной энергии нескольких параллельно обучаемых моделей [3]. Для отобранных конфигураций рассчитываются силы и энергия с помощью ТФП (в работе использован пакет VASP), затем конфигурация добавляется в обучающую выборку.
В результате работы был создан нейросетевой потенциал для моделирования натрия в жидкой фазе. Обучающая выборка содержит 3000 конфигурации из 128 атомов. Валидация потенциала производилась на конфигурациях атомов натрия, не участвовавших в обучении. Результаты предсказания энергии и сил с помощью полученной модели приведены на рис. 1. На рис. 2 представлены изохоры для жидкого натрия, полученные в результате моделирования системы из 250 атомов в NVT ансамбле с помощью программного пакета LAMMPS.
- Cybenko, G. Approximation by superpositions of a sigmoidal function. // Math. Control Signal Systems 2, 303–314 (1989). https://doi.org/10.1007/BF02551274
- Wang, H., Zhang, L., Han, J., Ee, W., (2017). DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics. // Computer Physics Communications. 228. 10.1016/j.cpc.2018.03.016.
- Zhang, Y., Wang, H., Chen, W., Zeng, J., Zhang, L., Wang, H., & E, W. (2020). DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy models. // Computer Physics Communications, 253, Article 107206. https://doi.org/10.1016/j.cpc.2020.107206
