Detailansicht
Long-ranged electrostatic descriptors for machine-learning force fields
Carolin Faller
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Georg Kresse
DOI
10.25365/thesis.73231
URN
urn:nbn:at:at-ubw:1-13823.59736.959483-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Maschinengelernte Kraftfelder haben das Potenzial, first-principle Berechnungen für die Vorhersage von Materialstrukturen und -eigenschaften, wie z. B. der Systemenergie und der Kräfte, die auf einzelne Atome wirken, zu beschleunigen. In diesem Projekt wird eine kernelbasierte Methode verwendet. Bislang werden bei der Berechnung der Deskriptoren nur lokale Strukturmerkmale verwendet. So wird nur die Wechselwirkung zwischen Atomen innerhalb eines bestimmten Cutoff-Radius berücksichtigt. Auch wenn man den Cutoff-Radius systematisch vergrößert, ist es sehr schwierig, die Daten genau zu fitten und in der Praxis ist es so unmöglich, langreichweitige (elektrostatische) Wechselwirkungen zu erfassen. In dieser Arbeit führen wir die Berechnung der Deskriptoren im reziproken Raum durch und verwenden immer alle Atome, um indirekt eine Summation über alle periodischen Bilder durchzuführen und so langreichweitige Wechselwirkungen zu erfassen. Wir verwenden Slater-Orbitale als radiale Basisfunktionen, da die entsprechenden Deskriptoren das langsam abfallende Verhalten der langreichweitigen Wechselwirkungen besser widerspiegeln. Durch die Kombination von diesen lang- und kurzreichweitigen Deskriptoren können wir die Qualität der Fits im Vergleich zur Methode mit kurzer Reichweite für Materialien, bei denen beide Arten von Wechselwirkungen vorhanden sind, verbessern.
Abstract
(Englisch)
Machine learned force fields have the potential to accelerate first-principles calculations for the prediction of material structures and properties such as the system energy and forces acting on individual atoms. A kernel-based method is used in this project. So far, only local structural features are considered when mapping to descriptors. Thus, only the interaction between atoms within a certain cutoff radius is included. Even by systematically increasing the cutoff radius, it is very hard to fit the data accurately and in practice, it is virtually impossible to capture long-ranged (electrostatic) interactions. In this work, we perform the calculation of the descriptors in reciprocal space and always use all atoms to indirectly perform a summation over all periodic images and thus be able to capture long-range interactions. We adopt Slater-type orbitals as radial basis functions, that are used when mapping onto the descriptors, because the corresponding descriptors better fit the slowly decaying nature of long-range interactions. When combining these short- and long-ranged descriptors we are able to improve the quality of the fit compared to the short-ranged method for materials where both types of interactions are present.
Schlagwörter
Schlagwörter
(Deutsch)
Kraftfeld langreichweitig Deskriptoren elekrostatische Deskriptoren Slaterorbitale radiale Basisfunktionen Kernelmethode
Schlagwörter
(Englisch)
force field long-ranged descriptors electrostatic descriptors Slater type orbitals radial basis functions kernel method
Autor*innen
Carolin Faller
Haupttitel (Englisch)
Long-ranged electrostatic descriptors for machine-learning force fields
Paralleltitel (Deutsch)
Langreichweitige elektrostatische Deskriptoren für maschinengelernte Kraftfelder
Publikationsjahr
2023
Umfangsangabe
xi, 69 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Georg Kresse
Klassifikationen
33 Physik > 33.99 Physik. Sonstiges ,
54 Informatik > 54.76 Computersimulation
AC Nummer
AC16788456
Utheses ID
66018
Studienkennzahl
UA | 066 | 910 | |