← Nieuwste papers
🔬 materiaalkunde

Capturing long-range interaction with reciprocal space neural network

Dit artikel stelt een methode voor met een neuraal netwerk in de reciproke ruimte die de structurele informatie in de reële ruimte transformeert om machine learning-interatomaire potentialen in staat te stellen langbereikinteracties nauwkeurig te vatten, waardoor de voorspelling van globale eigenschappen wordt verbeterd en grootschalige dynamische simulaties van complexe systemen zoals ionische materialen en defecte kristallen worden gefaciliteerd.

Oorspronkelijke auteurs: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Eerst verschenen 2022-11-30 · Bijgewerkt 2026-11-17
📖 5 min leestijd🧠 Diepgaand

Oorspronkelijke auteurs: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Om de materialen te begrijpen waaruit onze wereld bestaat, van het silicium in een computerchip tot het zout in onze peper- en zoutstel, wenden wetenschappers zich vaak tot een krachtig hulpmiddel genaamd moleculaire dynamica. Dit is een manier om te simuleren hoe atomen bewegen en interageren in de loop van de tijd, maar om deze simulaties uit te voeren, hebben onderzoekers een betrouwbare kaart nodig die hen vertelt hoeveel energie is opgeslagen in een gegeven rangschikking van atomen. Decennialang was de gouden standaard voor het maken van deze kaarten een methode gebaseerd op de wetten van de kwantummechanica, die ongelooflijk nauwkeurig is, maar zo rekenintensief dat deze alleen kleine groepen atomen gedurende zeer korte perioden kan verwerken. Om grotere systemen of langere tijdschalen te bestuderen, zijn wetenschappers overgestapt op machine learning, waarbij computers worden getraind om de relatie tussen atomaire posities en energie te leren. De meeste van deze moderne leermodellen werken echter op basis van een eenvoudige aanname: dat een atoom alleen geeft om zijn directe buren. Ze kijken naar de lokale omgeving en negeren wat er ver weg gebeurt. Dit werkt goed voor veel materialen, maar faalt voor andere, met name voor die gemaakt zijn van geladen deeltjes zoals zouten of bepaalde kristallen, waarbij de aantrekkingskracht of afstoting van een atoom de hele structuur kan overbruggen en het gedrag van het materiaal beïnvloedt op manieren die lokale momentopnames niet kunnen vastleggen.

Een team onderzoekers van de Fudan Universiteit en het Shanghai Qi Zhi Instituut heeft een nieuwe aanpak ontwikkeld om dit blinde vlek probleem op te lossen. Ze realiseerden zich dat om te begrijpen hoe verre atomen elkaar beïnvloeden, ze het materiaal niet alleen moeten zien als een verzameling individuele punten in de ruimte, maar als een geheel patroon van golven. In de natuurkunde is er een wiskundige manier om de rangschikking van atomen in een kristal te vertalen naar een ander soort ruimte, vaak de reciproke ruimte genoemd, die van nature geschikt is voor het beschrijven van patronen die zich over lange afstanden herhalen. De onderzoekers bouwden een nieuw type computermodel dat het standaardbeeld van een kristal neemt, dit vertaalt naar deze golfgebaseerde taal, en een neuraal netwerk gebruikt om de energiebijdragen van deze langetermijnpatronen te leren. Ze combineerden dit globale beeld vervolgens met het traditionele lokale beeld, waardoor een hybride model ontstond dat zowel de directe buren als de verre invloeden tegelijkertijd ziet.

Het team testte deze nieuwe methode op verschillende verschillende materialen om te zien of het de voorspellingen werkelijk kon verbeteren. Eerst bekeken ze een dataset van hybride organisch-anorganische perovskieten, een type kristal dat wordt gebruikt in zonnecellen, om hun bandkloof te voorspellen, wat een maat is voor hoe goed ze elektriciteit geleiden. Wanneer ze hun nieuwe model vergeleken met bestaande methoden, bleek de hybride aanpak die de langetermijn golfinformatie bevatte de meest nauwkeurige, wat de fout in hun voorspellingen aanzienlijk verminderde. In tegenstelling hiertoe ontdekten ze dat het simpelweg toevoegen van een standaard langetermijn berekening zonder het nieuwe neurale netwerkcomponent niet hielp, en dat het gebruik van alleen de langetermijn informatie zonder de lokale details op zichzelf niet voldoende was. Het succes kwam voort uit de specifieke manier waarop ze de twee perspectieven combineerden.

Vervolgens pakten de onderzoekers een moeilijkere uitdaging aan: het simuleren van kristallen met defecten, of ontbrekende stukken, waar langetermijnkrachten vooral cruciaal zijn. Ze maakten een model van een zoutkristal, natriumchloride, en introduceerden willekeurige trillingen in de atomen om de imperfecties uit de echte wereld te simuleren. Ze trainden hun model om de totale energie van deze structuren te voorspellen, een taak die vereist dat de elektrische aantrekking tussen elk afzonderlijk atoom in het systeem wordt meegerekend. De resultaten toonden aan dat hun nieuwe methode, die de langetermijnkrachten direct uit de data leert, veel nauwkeuriger was dan eerdere modellen, vooral wanneer het kristal groot was en defecten bevatte. Ze testten dit ook op een complex halfgeleidermateriaal genaamd galliumnitride, dat wordt gebruikt in hoogvermogenselektronica. In dit geval voorspelde het nieuwe model niet alleen de energie nauwkeuriger, maar bood het ook een veel stabieler beeld van hoe de krachten tussen de atomen zich gedroegen, waarbij de fouten in de krachtvoorspellingen met een aanzienlijke marge werden verminderd vergeleken met standaardmodellen.

De sleutel tot deze verbetering was niet alleen het toevoegen van meer data, maar het veranderen van de manier waarop de computer het kristal "ziet". Door de atomaire posities te vertalen naar een formaat dat van nature de herhalende, langdurige patronen van het materiaal vastlegt, kon het model de subtiele, verregaande interacties leren die traditionele modellen missen. De onderzoekers ontdekten ook dat de manier waarop ze het model trainden er sterk toe deed; ze vonden dat het aanleren van de lokale omgeving aan de computer eerst, en het toevoegen van de langetermijn informatie in een tweede stap, veel betere resultaten opleverde dan het proberen te leren van alles tegelijk. Deze nieuwe aanpak biedt een veelbelovend pad vooruit voor het ontwerpen van betere materialen, met name voor systemen waarbij het gedrag van het geheel afhangt van de onzichtbare verbindingen tussen atomen die ver uit elkaar liggen.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →