Detailansicht
A neural network potential for the water-vapor interface
Oliver Wohlfahrt
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.58258
URN
urn:nbn:at:at-ubw:1-13407.96565.582869-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Künstliche neuronale Netze können anhand der Ergebnisse komplexer und sehr aufwendiger numerischer Verfahren zur quantenmechanischen Berechnung der Energie und der daraus resultierenden Kräfte von Atomanordnungen trainiert werden, um diese Energien und Kräfte approximativ zu bestimmen. Mit den trainierten künstlichen neuronalen Netzen ist es im Weiteren möglich Molekulardynamiksimulationen durchzuführen. Dies wurde, unter vielen anderen Beispielen, in den vergangenen Jahren auch mit Systemen von Wassermolekülen im flüssigen und festen Zustand durchgeführt. In dieser Arbeit wurde die gleiche Methode auf die Oberfläche zwischen flüssigem Wasser und Wasserdampf angewendet, wobei zur Berechnung der für das Training benötigten Energien und Kräfte die sogenannte Dichtefunktionaltheorie (RPBE-D3-Funktional) zum Einsatz kam. Außerdem wurde untersucht, inwieweit für solche Systeme zuverlässige Schlüsse aus Simulationen basierend auf neuronalen Netzen zu erwarten sind. Dazu bedienten wir uns empirischer Modelle für Wassermoleküle, die um viele Größenordnungen effizienter auswertbar sind als die erwähnten quantenmechanischen Verfahren. Diese Effizienz ermöglicht es die Ergebnisse von Simulationen zu vergleichen, die einerseits auf Basis eines empirischen Wassermodells und andererseits mit Hilfe von künstlichen neuronalen Netzen, trainiert auf eben dieses Wassermodell, durchgeführt werden. Die Resultate weisen gute Übereinstimmung miteinander auf und lassen vermuten, dass vor allem für Simulationen von Oberflächen mit Hilfe von künstlichen neuronalen Netzwerken, welche bei niedrigeren Temperaturen durchgeführt werden, Ergebnisse von viel aufwendigeren quantenmechanischen Simulationen mit guter Genauigkeit reproduziert werden können.
Abstract
(Englisch)
Artificial neural networks can be trained on results from complex and computationally very expensive numerical calculations for the quantum mechanical determination of the energy and resultant forces of a collection of atoms in order to approximate these energies and forces. Subsequently, by means of such trained artificial neural networks, it is possible to perform molecular dynamics simulations. In recent years this has been realized for liquid water and ice, among many other examples. In this work the same method was applied to the liquid-vapor interface of water, whereas the so-called density functional theory (RPBE-D3 functional) was employed to calculate the reference energies and forces. Furthermore, we examined what reliability of results from simulations of such interfaces using artificial neural networks can be expected. For this purpose empirical water models were employed, which are by several orders of magnitude more efficient than quantum mechanical calculations. This efficiency made it possible to compare results from simulations based on an empirical water model, on the one hand, and on artificial neural networks trained on this empirical water model, on the other hand. The results are found to agree well with each other. We thus presume that simulations of interfaces by means of artificial neural networks, especially performed at lower temperatures, can accurately reproduce results of quantum mechanical simulations which are computationally much more expensive.
Schlagwörter
Schlagwörter
(Englisch)
neural network potential molecular dynamics water-vapor interface density functional theory empirical water models optimization Kalman filter
Schlagwörter
(Deutsch)
künstliche neuronale Netze Molekulardynamik Wasser-Dampf-Grenzfläche Dichtefunktionaltheorie empirische Wassermodelle Optimierung Kalman-Filter
Autor*innen
Oliver Wohlfahrt
Haupttitel (Englisch)
A neural network potential for the water-vapor interface
Paralleltitel (Deutsch)
Ein auf neuronalen Netzen basierendes Potential zur Modellierung der Wasser-Dampf-Grenzfläche
Publikationsjahr
2019
Umfangsangabe
V, 96, xxiii Seiten : Illustrationen, Diagramme
Sprache
Englisch
Beurteiler*in
Christoph Dellago
AC Nummer
AC15557430
Utheses ID
51448
Studienkennzahl
UA | 066 | 876 | |