Detailansicht
Machine learning interatomic potentials for defects dynamics in materials
Andrea Angeletti
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Naturwissenschaften: Physik
Betreuer*in
Cesare Franchini
DOI
10.25365/thesis.80339
URN
urn:nbn:at:at-ubw:1-17847.86246.878578-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die elektronischen und dynamischen Eigenschaften verschiedener Defekte in unterschiedlichen Materialien wurden mithilfe innovativer, computerunterstützter Methoden untersucht, die Dichtefunktionaltheorie-Berechnungen mit ab-initio-Molekulardynamik kombinieren, beschleunigt durch maschinelle Lernpotenziale auf atomarer Ebene. Diese Vorgehensweise führte zu mehreren wegweisenden Ergebnissen: In Phosphoren konnten die Diffusion und Verschmelzung von Monovakanzen erstmals korrekt modelliert und erklärt werden, womit zuvor umstrittene experimentelle Beobachtungen geklärt wurden. Darüber hinaus wurden neuartige, experimentell beobachtete Defekte umfassend charakterisiert und ihre strukturellen sowie elektronischen Eigenschaften beleuchtet. In N-dotiertem Lutetiumhydrid konnte die spontane Bildung und Stabilität von Wasserstoffmolekülen nachgewiesen werden, was ein tieferes Verständnis metastabiler und ungeordneter Phasen in der Supraleitung eröffnet und zugleich den Einfluss von Stickstoff hervorhebt. Ergänzend wurde die Kinetik von Wasserstoff in Magnesium mit einem innovativen und effizient Active-Learning-Verfahren erfolgreich beschrieben, wodurch wesentliche Einblicke in die Festkörper-Wasserstoffspeicherung bei unterschiedlichen Temperaturen und Konzentrationen gewonnen wurden. Die Resultate stimmen stark mit experimentellen Daten überein und bestätigen die Zuverlässigkeit der Methode. Insgesamt unterstreicht diese Arbeit die Wirksamkeit der Integration von ab-initio-Methoden mit maschinellen Lernpotenzialen zur Modellierung komplexer Defektdynamiken und etabliert ein leistungsfähiges rechnergestütztes Rahmenwerk für zukünftige Forschungen und praktische Anwendungen in der Materialwissenschaft.
Abstract
(Englisch)
The electronic and dynamical properties of different defects in various materials have been investigated using innovative computational techniques and methodology, combining density functional theory calculations and ab-initio molecular dynamics simulations, accelerated via inter-atomic machine learning potentials. This research yielded several ground-breaking insights. In phosphorene, the diffusion and coalescence of monovacancies into a more stable divacancy have been properly modeled, and described for the first time, offering a robust explanation for previously debated experimental observations. Additionally, the nature of exotic, novel experimentally observed defects, has been comprehensively characterized, shedding light on their structural and electronic features. In N-doped lutetium hydride, the spontaneous formation and stability of hydrogen molecules have been established. Offering a deeper understanding and unveiling the critical role of metastable and disordered phases in superconductivity, highlighting the influence of nitrogen as well. These findings provide a new paradigm for investigating these phenomena. Furthermore, the kinetic of hydrogen in magnesium has been successfully characterized using an innovative active learning procedure. This approach has revealed essential insights into solid-state hydrogen storage across varying temperatures and concentrations, offering a faster and more accurate paradigm for future research on similar compounds. These results were further validated by their strong agreement with empirical data. This work underscores the effectiveness of integrating ab-initio methods with machine learning potentials to model defect dynamics in different complex systems, allowing access to rare dynamics events, otherwise prohibitive with standard techniques. The results not only deepen our understanding of defect-related behavior but establish a reference computational framework, paving the way for further research and applications in materials science.
Schlagwörter
Schlagwörter
(Deutsch)
Maschinelles Lernen Defekte Molekulardynamik interatomare Potentiale Dichtefunktionaltheorie 2D-Materialien Materialien
Schlagwörter
(Englisch)
machine learning defects density functional theory 2D materials interatomic potentials materials
Autor*innen
Andrea Angeletti 
Haupttitel (Englisch)
Machine learning interatomic potentials for defects dynamics in materials
Paralleltitel (Deutsch)
Maschinelle interatomare Potentiale für die Dynamik von Defekten in Materialien
Publikationsjahr
2025
Umfangsangabe
149 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Tibor Grasser ,
Andreas Grüneis
Klassifikation
33 Physik > 33.61 Festkörperphysik
AC Nummer
AC17780982
Utheses ID
77766
Studienkennzahl
UA | 796 | 605 | 411 |