← Neueste Arbeiten
🔬 Materialwissenschaft

Capturing long-range interaction with reciprocal space neural network

Diese Arbeit schlägt eine Methode für neuronale Netze im reziproken Raum vor, die strukturelle Informationen im Realraum transformiert, um maschinell lernende interatomare Potentiale zu befähigen, langreichweitige Wechselwirkungen präzise zu erfassen, wodurch die Vorhersage globaler Eigenschaften verbessert und großskalige dynamische Simulationen komplexer Systeme wie ionischer Materialien und defektreicher Kristalle erleichtert werden.

Ursprüngliche Autoren: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Erstmals erschienen 2022-11-30 · Aktualisiert 2026-11-17
📖 5 Min. Lesezeit🧠 Tiefgang

Ursprüngliche Autoren: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Um die Materialien zu verstehen, aus denen unsere Welt besteht – vom Silizium in einem Computerchip bis hin zum Salz in unserem Streuer –, greifen Wissenschaftler oft auf ein leistungsstarkes Werkzeug namens Molekulardynamik zurück. Dies ist eine Methode, um zu simulieren, wie sich Atome über die Zeit bewegen und interagieren, aber um diese Simulationen durchzuführen, benötigen Forscher eine zuverlässige Karte, die ihnen sagt, wie viel Energie in einer gegebenen Anordnung von Atomen gespeichert ist. Jahrzehntelang war das Goldstandard-Verfahren zur Erstellung dieser Karten eine Methode, die auf den Gesetzen der Quantenmechanik basiert, welche unglaublich genau, aber so rechenintensiv ist, dass sie nur winzige Gruppen von Atomen für sehr kurze Zeiträume handhaben kann. Um größere Systeme oder längere Zeitskalen zu untersuchen, haben Wissenschaftler auf maschinelles Lernen zurückgegriffen und Computer darauf trainiert, die Beziehung zwischen atomaren Positionen und Energie zu erlernen. Die meisten dieser modernen Lernmodelle operieren jedoch auf einer einfachen Annahme: dass ein Atom sich nur um seine unmittelbaren Nachbarn kümmert. Sie betrachten die lokale Nachbarschaft und ignorieren, was weit entfernt geschieht. Dies funktioniert gut für viele Materialien, versagt aber bei anderen, insbesondere bei solchen, die aus geladenen Teilchen bestehen, wie etwa Salzen oder bestimmten Kristallen, bei denen das Ziehen oder Drücken eines Atoms über die gesamte Struktur hinweg reichen kann und das Verhalten des Materials auf eine Weise beeinflusst, die lokale Schnappschüsse nicht erfassen können.

Ein Team von Forschern der Fudan-Universität und des Shanghai Qi Zhi Instituts hat einen neuen Ansatz entwickelt, um diesen blinden Fleck zu beheben. Sie erkannten, dass man, um zu verstehen, wie ferne Atome einander beeinflussen, das Material nicht nur als eine Sammlung einzelner Punkte im Raum betrachten muss, sondern als ein ganzes Wellenmuster. In der Physik gibt es eine mathematische Methode, um die Anordnung von Atomen in einem Kristall in eine andere Art von Raum zu übersetzen, der oft als reziproker Raum bezeichnet wird, der von Natur aus geeignet ist, um Muster zu beschreiben, die sich über lange Distanzen wiederholen. Die Forscher entwickelten einen neuen Typ von Computermodell, das das Standardbild eines Kristalls nimmt, es in diese wellenbasierte Sprache übersetzt und ein neuronales Netzwerk verwendet, um die Energiebeiträge aus diesen langreichweitigen Mustern zu erlernen. Sie kombinierten diesen globalen Blickwinkel dann mit dem traditionellen lokalen Blickwinkel und schufen so ein Hybridmodell, das sowohl die unmittelbaren Nachbarn als auch die fernen Einflüsse gleichzeitig sieht.

Das Team testete diese neue Methode an verschiedenen Materialien, um zu sehen, ob sie die Vorhersagen tatsächlich verbessern konnte. Zuerst untersuchten sie einen Datensatz von hybriden organisch-anorganischen Perowskiten, einer Art von Kristall, der in Solarzellen verwendet wird, um deren Bandlücken vorherzusagen, ein Maß dafür, wie gut sie elektrischen Strom leiten. Als sie ihr neues Modell mit bestehenden Methoden verglichen, war der hybride Ansatz, der die langreichweitigen Welleninformationen einbezog, am genauesten und reduzierte den Fehler in seinen Vorhersagen signifikant. Im Gegensatz dazu stellten sie fest, dass das bloße Hinzufügen einer Standard-Langreichweitenberechnung ohne die neue Komponente des neuronalen Netzwerks nicht half, und die Verwendung von ausschließlich Langreichweiteninformationen ohne die lokalen Details allein nicht ausreichte. Der Erfolg kam durch die spezifische Art und Weise, wie sie die beiden Perspektiven kombinierten.

Als Nächstes widmeten sich die Forscher einer schwierigeren Herausforderung: der Simulation von Kristallen mit Defekten, oder fehlenden Teilen, bei denen langreichweitige Kräfte besonders kritisch sind. Sie erstellten ein Modell eines Salzkristalls, Natriumchlorid, und führten zufällige Erschütterungen der Atome ein, um reale Unvollkommenheiten zu simulieren. Sie trainierten ihr Modell darauf, die Gesamtenergie dieser Strukturen vorherzusagen, eine Aufgabe, die die Berücksichtigung der elektrischen Anziehung zwischen jedem einzelnen Atom im System erfordert. Die Ergebnisse zeigten, dass ihre neue Methode, die lernt, die langreichweitigen Kräfte direkt aus den Daten abzuleiten, weitaus genauer war als bisherige Modelle, insbesondere wenn der Kristall groß war und Defekte enthielt. Sie testeten dies auch an einem komplexen Halbleitermaterial namens Galliumnitrid, das in der Hochleistungselektronik eingesetzt wird. In diesem Fall sagte das neue Modell nicht nur die Energie genauer voraus, sondern lieferte auch ein wesentlich stabileres Bild davon, wie die Kräfte zwischen den Atomen agieren, wodurch die Fehler in den Kraftvorhersagen im Vergleich zu Standardmodellen erheblich reduziert wurden.

Der Schlüssel zu dieser Verbesserung lag nicht nur darin, mehr Daten hinzuzufügen, sondern darin, zu ändern, wie der Computer den Kristall „sieht“. Durch die Übersetzung der atomaren Positionen in ein Format, das die sich wiederholenden, weitreichenden Muster des Materials von Natur aus erfasst, konnte das Modell die subtilen, weitreichenden Wechselwirkungen lernen, die traditionelle Modelle übersehen. Die Forscher entdeckten auch, dass die Art und Weise, wie sie das Modell trainierten, eine große Rolle spielte; sie fanden heraus, dass das Lehren des Computers, zuerst die lokale Umgebung zu verstehen und dann die langreichweitigen Informationen in einem zweiten Schritt hinzuzufügen, viel bessere Ergebnisse lieferte, als zu versuchen, alles gleichzeitig zu lernen. Dieser neue Ansatz bietet einen vielversprechenden Weg nach vorn für das Design besserer Materialien, insbesondere für Systeme, bei denen das Verhalten des Ganzen von den unsichtbaren Verbindungen zwischen Atomen abhängt, die weit voneinander entfernt sind.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →