Detailansicht
From ab-intio to machine learning potentials for hybrid perovskite structures in molecular dynamics simulations
Jonathan Lahnsteiner
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium NAWI aus dem Bereich Naturwissenschaften (Dissertationsgebiet: Physik)
Betreuer*in
Menno Bokdam
Mitbetreuer*in
Georg Kresse
DOI
10.25365/thesis.62755
URN
urn:nbn:at:at-ubw:1-16298.45016.421169-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Arbeit wird die Kristallstruktur ’dynamischer Festkörper’ bei endlicher Temperatur untersucht. Dynamische Festkörper sind kompliziert zu beschreiben, da sie bei finiter Temperatur entropisch/dynamisch stabilisiert werden. Perowskit Strukturen werden als Vertreter für dynamisch stabilisierte Festkörper verwendet, wobei ein besonderer Schwerpunkt auf das potenzielle Solarzellenmaterial, den Methylammoniumperowskit (MAPbI3 ) gelegt wird. Die Eigenschaften solcher Materialien müssen durch sogenannte Ensemble Mittelwerte
beschrieben werden und können nicht durch Berechnungen vorhergesagt werden, welche auf einer einzelnen 0K-Struktur beruhen. Um zuverlässige Ergebnisse zu erhalten, müssen lange Trajektorien und große Simulationsboxen verwendet werden. Die Berechnung solcher Ensembles durch ab-initio Molekulardynamik Simulationen ist rechnerisch sehr anspruchsvoll. Zur Beschleunigung des Molekulardynamik-Ansatzes werden klassische Kraftfelder getestet und mit den ab-initio Ergebnissen verglichen. Die Methylammoniummoleküle haben ein intrinsisches Dipolmoment und verfügen über ein weitreichendes Ordnungsmuster innerhalb des MAPbI3 Perowskits. Diese Eigenschaften legen
eine Beschreibung des MAPbI3 mittels Punktdipol-Modellen nahe.
Allerdings sind weder die in der Literatur verfügbaren klassischen Kraftfelder noch die verfügbaren Punktdipol-Modelle in der Lage, die in ab-initio Berechnungen beobachteten molekularen Ordnungsmuster zu beschreiben. Daher ist ein anderer Ansatz, der die Genauigkeit der ab-initio Molekulardynamik beibehält, aber dem rechnerischen Aufwand der klassischen Kraftfelder entspricht, erforderlich. In dieser Arbeit wird ein on-the-fly machine learning Kraftfeld mittels ab-initio Molekulardynamik-Simulationen unter dem Einsatz des SCAN-Austausch-Korrelation-Funktionals trainiert. Dieses Kraftfeld ist in der Lage, das weitreichende Ordnungsmuster der Methylammoniummoleküle im MAPbI3
Perowskit in Übereinstimmung mit den zugrundeliegenden ab-initio Rechnungen zu beschreiben. Außerdem ist dieses Kraftfeld in der Lage, die Phasenübergangstemperaturen und den Mechanismus hinter den strukturellen Übergängen in Übereinstimmung mit den experimentellen Ergebnissen wiederzugeben. Dieser Ansatz wird auch an anderen Perowskiten getestet. Die erhaltenen Ergebnisse zeigen immer eine gute Übereinstimmung mit den zugrunde liegenden ab-initio Rechnungen und den experimentellen Daten.
Abstract
(Englisch)
In this thesis the crystal structure of ’dynamic solids’ at finite temperature
are studied. Dynamic solids are complicated to describe since they are en-
tropically/dynamically stabilized at finite temperature. Throughout this work
pervoskite structures will appear as representatives for dynamically stabilized solids whereby a special emphasis is placed on the upcoming solar cell material: methylammonium perovskite (MAPbI3). The properties of such materials have to be described by ensemble averages and can not be predicted by performing calculations on a single 0K structure. To obtain reliable results long trajectories and large simulation boxes are needed. The computation of such ensembles by means of first principles molecular dynamics is computationally very demanding. To speed up the molecular dynamics approach classical force fields are tested and compared to first principle results. The methylammonium molecules have an intrinsic dipole moment and posses a long range ordering pattern within the MAPbI3 perovskite. These properties make a description in terms of point dipole models interesting. However, neither the in literature available classical force fields nor the point dipole model Hamiltonians are capable of describing the molecular ordering pattern observed from first principle
calculations. Therefore a different approach is needed which retains the accuracy of first principles molecular dynamics, but with the computational cost of classical force fields. Here, an on-the-fly machine-learning force field was trained on ab-initio molecular dynamics simulations by the use of the SCAN exchangecorrelation functional. This force field is able to describe the long range ordering pattern of the methylammonium molecules in the MAPbI3 perovskite in agreement with the underlying first principles simulation. Moreover, the obtained force field is capable of describing the phase transition temperatures and the
mechanism behind the structural transitions in agreement with experimental results. This approach was tested on other perovskite systems always giving results in good agreement with the underlying first principles calculations and experimental data.
Schlagwörter
Schlagwörter
(Englisch)
Machine-learning force fields hybrid perovskites classical and ab-initio molecular dynamics Point dipole models Ewald sums anharmonic phonon dispersion from molecular dynamics dynamic correlation functions finite temperature structures theory of molecular dynamics
Schlagwörter
(Deutsch)
machine-learning Kraftfelder Hybrid-Perowskite klassische und ab-initio Molekular Dynamik Punkt-Dipol Modelle Ewald-Summen anharmonische Phononen von Molekular Dynamiken dynamische Korrelationsfunktionen Strukturen bei finiter Temperatur
Autor*innen
Jonathan Lahnsteiner
Haupttitel (Englisch)
From ab-intio to machine learning potentials for hybrid perovskite structures in molecular dynamics simulations
Paralleltitel (Deutsch)
Von ab-intio zu maschine-learning Potentialen für Hybrid Perowskit-Strukturen in Molekulardynamik-Simulationen
Publikationsjahr
2020
Umfangsangabe
124 Seiten
Sprache
Englisch
Beurteiler*innen
Geert Brocks ,
Christoph Dellago
AC Nummer
AC16129018
Utheses ID
55467
Studienkennzahl
UA | 796 | 605 | 411 |