Использование сверточных нейронных сетей в задачах восстановления потенциала межатомного взаимодействия для метода классической молекулярной динамики
Автор: Жариков Дмитрий Николаевич, Завьялов Дмитрий Викторович, Сивашова Екатерина Сергеевна
Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse
Статья в выпуске: 2, 2022 года.
Бесплатный доступ
В работе рассмотрен подход к восстановлению сил межатомного взамодействия с помощью конволюционной нейронной сети в модельной системе двумерного газа точечных бесструктурных частиц. Представлены предварительные результаты обучения сети.
Нейронная сеть, молекулярная динамика, межатомный потенциал
Короткий адрес: https://sciup.org/14124582
IDR: 14124582 | УДК: 519.6
Use of convolutional neural networks in problems of recovery of the interatomic interaction potential for the classical molecular dynamics method
The paper considers an approach to restoring the forces of interatomic interaction using a convolutional neural network in a model system of a two-dimensional gas of pointless structureless particles. The preliminary results of network training are presented. Keywords: Neural Network, Molecu
Список литературы Использование сверточных нейронных сетей в задачах восстановления потенциала межатомного взаимодействия для метода классической молекулярной динамики
- Daw Murray S., Baskes M.I. Embedded-atom method: Derivation and application to impurities, surfaces, and other defects in metals // Phys. Rev. B, 1984. Vol. 29.
- Tersoff J. Modeling solid-state chemistry: Interatomic potentials for multicomponent systems // Phys. Rev. B, 1989. Vol. 39.
- Atomistic mechanism of graphene growth on a SiC substrate: Large-scale molecular dynamics simulations based on a new charge-transfer bond-order type potential / So Takamto [et al.] // Phys. Rev. B, 2018. Vol. 97.
- Behler J., Parrinello M. Generalized neural-network representation of high-dimensional potential-energy surfaces // Phys. Rev. Lett., 2007. Vol. 98.
- Schnet: A continuous-filter convolutional neural network for modeling quantum interactions / K. T. Schütt [et al.] // Advances in Neural Information Processing Systems. 2017 P. 992-1002.
- Towards exact molecular dynamics simulations with machine-learned force fields / S. Chmiela [et al.]// Nature Commun., 2018. Vol. 9. № 1. DOI: 10.1038/s41467-018-06169-2.
- Deep Potential: a general representation of a many-body potential energy surface / J. Han, L. Zhang, R. Car,E. Weinan // Commun. Comput. Phys., 2023. Vol. 18. P. 629-639.
- Takamoto S., Izumi S., Li J. TeaNet: Universal neural network interatomic potential inspired by iterative electronic relaxations // Computational Materials Science, 2022. Vol. 207 № 5. DOI: https://doi.org/10.1016/j.commatsci.2022.111280.
- The graph neural network model / F. Scarselli [et al.] // IEEE Trans. Neural Netw., 2009. Vol.20. No. 1. P. 61-80.
- Geometric deep learning: going beyond euclidean data / M. M Bronstein [et al.]// IEEE Signal Process. Mag., 2017. Vol. 34. No.4. P. 18-42
- Wolfram Mathematica: Современные технический вычисления: [веб-сайт]. Wolfram, 2022. URL: https://www.wolfram.com/mathematica/.
