Detailansicht
Training a neural network potential for molecular dynamics simulations of CO₂ with ab initio precision
Matthias Julian Kiss
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Physik
Betreuer*in
Christoph Dellago
DOI
10.25365/thesis.57901
URN
urn:nbn:at:at-ubw:1-10772.82002.128768-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Im Zuge dieser Arbeit wird ein neuronales Netzwerk (NN) trainiert, um die potentielle-Energie-Oberfläche (PES) eines Systems bestehend aus CO2 Molekülen, mithilfe des Neural Network
Potential Package (n2p2) zu rekreieren. Diese Herangehensweise hat sich schon zuvor als erfolgreich erwiesen, bei der Anwendung auf
Systeme bestehend aus H2O Molekülen. Der Prozess beginnt damit Konfigurationen von CO2 Molekülkristallen zu erstellen, die den festen Phasen I bis IV, sowie VII entsprechen. Anschließend wird der Large-scale Atomic/Molecular Massively Parallel Simulator (LAMMPS) zusammen mit der flexiblen Variante des empirischen Potentials EPM2 verwendet, um Trajektorien, beginnend bei den vorher erzeugten Konfigurationen, entlang mehrerer Isothermen mit variierendem Druck, zu erzeugen. So werden viele verschiedene Konfigurationen mit ebenso vielen verschiedenen Energien,
in sowohl flüssiger, als auch fester Phase, erzeugt. Danach wird ein kleiner aber diverser Teil, bestehend aus mehreren hundert Konfigurationen, aus allen verfügbaren Konfigurationen ausgewählt. Die Gesamtenergie und Kräfte für alle Atome in allen ausgewählten Konfigurationen werden dann mithilfe des Vienna Ab-initio Simulation Package (VASP) unter Verwendung des PBE Funktionals, neu berechnet. Die daraus resultierenden Daten werden benötigt, um das NN mit ab-initio Präzision trainieren zu können.
Nachdem die Trainingsdaten erzeugt und das NN trainiert wurde wird ein Vergleich zwischen Molekulardynamik (MD) Simulationen gemacht, die sowohl mit VASP, als auch mit n2p2 durchgeführt werden. Dieser Vergleich konzentriert sich auf die radiale Verteilungsfunktion (RDF) und die Geschwindigkeitautokorrelation (VACF) von CO2 Systemen in verschiedenen Zuständen. Es kann gezeigt werden, dass das NNP in der Lage ist die RDF und VACF der DFT-MD Simulation zu reproduzieren, jedoch sind weitere Verbesserungen möglich.
Abstract
(Englisch)
A neural network (NN) is trained to reproduce the potential energy surface (PES) of systems of CO2 molecules using the Neural Network Potential Package (n2p2).
This approach has previously been shown to be successful when applied to systems of H2O and Cu2S molecules.
The process is started by creating configurations of CO2 molecular crystals corresponding to the solid phases I to IV and VII. Then the Large-scale Atomic/Molecular Massively Parallel Simulator (LAMMPS) together with a flexible version of the EPM2 empirical potential are used to generate trajectories, starting at the previously created configurations, along multiple isotherms with varying pressure. This creates different configurations with different energies in various liquid and solid states. Afterwards from those configurations a small but diverse sub-sample of a few hundred configurations is chosen. The total energy of the configurations and the forces acting on each of the atoms in each configuration in this sub-sample is then recalculated with the Vienna Ab initio Simulation Package (VASP) using the PBE functional. This yields the necessary data to train the NN with ab-initio precision.
Once the training data are created and the NN is trained, a comparison between molecular dynamics (MD) simulations done with the n2p2 and with VASP is made. These tests focuson the radial distribution function (RDF) and the velocity auto correlation function (VACF) of CO2 at different state points. It can be shown that the NNP is able to reproduce the RDF and VACF of the DFT-MD simulations, however further improvements are possible.
Schlagwörter
Schlagwörter
(Englisch)
Neural Network potential Molecular dynamics EPM2 VASP Carbon dioxide n2p2
Schlagwörter
(Deutsch)
Neuronale Netzwerk Potential Molekulardynamik EPM2 VASP Kohlendioxid n2p2
Autor*innen
Matthias Julian Kiss
Haupttitel (Englisch)
Training a neural network potential for molecular dynamics simulations of CO₂ with ab initio precision
Paralleltitel (Deutsch)
Training eines Neuronalen Netzwerk Potentials für Molekulardynamic Simulationen mit Ab Initio Präzision
Publikationsjahr
2019
Umfangsangabe
iv, 65 Seiten : Illustrationen, Diagramme
Sprache
Englisch
Beurteiler*in
Christoph Dellago
Klassifikationen
33 Physik > 33.20 Moderne Physik: Allgemeines ,
33 Physik > 33.30 Atomphysik, Molekülphysik
AC Nummer
AC15557267
Utheses ID
51141
Studienkennzahl
UA | 066 | 876 | |