Calculation of Thermal Conductivity of Silver Chalcogenides by Machine Learning based on First-principles Molecular Dynamics

基于第一性原理分子动力学的机器学习计算银硫族化物的热导率

• 批准号: 21J10836
• 负责人: 福島 省吾
• 金额: $ 1.34万
• 依托单位: Kumamoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-28 至 2023-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21J10836/
• 关键词: 分子動力学法; 第一原理計算; 機械学習; 超イオン導電体; 熱伝導; 熱ダイオード; 相転移

本研究では、熱整流効果が実験的に得られた銀カルコゲナイド混合系の熱力学的性質を調査することを目的として、第一原理分子動力学（FPMD）法に基づく計算機シミュレーションにより銀カルコゲナイド系の熱力学的性質を調べるとともに、そのデータに基づいて構築された人工ニューラルネットワーク（ANN）ポテンシャルを用いて、熱整流効果の再現を目標としている。数千～数万原子からなる大きな系をFPMD法と同等の精度で扱うためには、ANNポテンシャルが必要である。そこで、ANNポテンシャルの効率的な構築方法について調べた。始めに銀カルコゲナイド系よりも原子間相互作用が単純なアルカリ金属を対象に、教師データの数Nに着目した。具体的には、動径分布関数やヘルムホルツの自由エネルギーのN依存性を調べた。58 psのFPMDシミュレーションのデータから、等間隔に構造を取り出して教師データとした。その結果、N=200-20000の範囲で一定の物性量が得られた。また、主成分分析により独立な教師データの数を見積もったところ、N=200-20000の範囲では、独立な教師データの数もおよそ一定であることが分かった。つまり、主成分分析により見積もられる独立な教師データの数が、ANNポテンシャルから得られる物性量の精度を決定していると示唆される。また、昨年の研究により、FPMD法で銀カルコゲナイド系を扱う際の分散力補正の重要性が明らかとなった。しかし、銀カルコゲナイドの原子構造に対する分散力の具体的な影響は不明なままであった。そこで原子間結合の強度を調べるために、Population解析を行った。分散力補正を入れることにより、Se間に弱い結合が生まれていることが分かった。つまり、分散力補正によりSe間の引力が増加し、Se副格子が安定になり、そこで生まれたSe間の弱い結合によりSe副格子を維持していると考えられる。

In this study, we investigated the thermodynamic properties of mixed systems based on the first-principles molecular dynamics (FPMD) method, and constructed the artificial neural network (ANN) for the purpose of investigating the thermodynamic properties of mixed systems. The purpose of thermal rectification is to reproduce the results. Thousands to tens of thousands of atoms are required for FPMD method and equivalent accuracy. A method of constructing ANN with high efficiency is proposed. At the beginning, the interaction between atoms was pure and the number of atoms was high. Specific, dynamic diameter distribution related to the number of "free" and "N dependence" adjustment 58 ps of FPMD is divided into two parts: one part is divided into two parts: the other part is divided into three parts: the first part is divided into three parts: the first part is divided into three parts: the second part is divided into four parts: the first part is divided into three parts: the first part is divided into four parts: the first part is divided into four parts: the second part is divided into four parts: the first part is divided into four parts: the second part is divided into four parts: the first part is divided into four parts: the second part is divided into four parts: the first part is divided into four parts: the first part is divided into four parts: the second part is divided into four parts: the third part is divided into four parts: the third part is divided into four parts: the fourth part is As a result, N=200-20000 is obtained in the range of certain physical properties. Principal Component Analysis (PCA): The number of independent teachers is the product of N=200-20000 and the number of independent teachers is the same. Principal component analysis (PCA) is used to determine the accuracy of physical properties. The importance of dispersion correction in the study of FPMD in the past year is clear. The specific effects of dispersion forces on atomic structure are unknown. The intensity of atomic bonding is regulated by Population analysis. Dispersion force correction is the result of weak combination. The gravitational force between Se increases, Se sublattice becomes stable, Se sublattice becomes weak, Se sublattice becomes weak, Se sublattice becomes stable, Se sublattice becomes weak, Se sublattice becomes weak, Se sublattice

项目成果

Efficient Training of the Machine-Learning Interatomic Potential Based on an Artificial Neural Network for Estimating the Helmholtz Free Energy of Alkali Metals

基于人工神经网络的机器学习原子间势的有效训练，用于估计碱金属的亥姆霍兹自由能

• 发表时间: 2023
• 期刊: Journal of the Physical Society of Japan
• 影响因子: 1.7
• 作者: Fukushima Shogo;Shimamura Kohei;Koura Akihide;Shimojo Fuyuki
• 通讯作者: Shimojo Fuyuki

人工ニューラルネットワークに基づいた原子間ポテンシャルによるAg2S1-xSexの構造の再現

基于人工神经网络的原子间势再现Ag2S1-xSex结构

• 发表时间: 2021
• 作者: 福島省吾;法橋陽;竹下雄輔;島村孝平;高良明英;下條冬樹;Aiichiro Nakano;Rajiv K. Kalia;Priya Vashishta
• 通讯作者: Priya Vashishta

University of Southern California(米国)

南加州大学（美国）

Reproduction of Melting and Crystallization of Sodium by Machine-Learning Interatomic Potential Based on Artificial Neural Networks

基于人工神经网络的机器学习原子间势再现钠的熔化和结晶

• DOI: 10.7566/jpsj.90.094603
• 发表时间: 2021
• 期刊: Journal of the Physical Society of Japan
• 影响因子: 1.7
• 作者: Irie Ayu;Fukushima Shogo;Koura Akihide;Shimamura Kohei;Shimojo Fuyuki
• 通讯作者: Shimojo Fuyuki

Photo-Induced Phase Transition of Diamond-A Nonadiabatic Quantum Molecular Dynamics Study

金刚石的光致相变——非绝热量子分子动力学研究

• 发表时间: 2022
• 作者: Shogo Fukushima;Rajiv K. Kalia;Thomas Linker;Ken-ichi Nomura;Aiichiro Nakano;Kohei Shimamura;Fuyuki Shimojo;Priya Vashishta
• 通讯作者: Priya Vashishta