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
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/.
Статья научная
