Core Concepts
Eine neue, automatisierte Methode zur Parametrisierung des effektiven Hamiltonoperators für komplexe Materialien, die auf maschinellem Lernen basiert, wird entwickelt und erfolgreich auf verschiedene Perowskit-Systeme angewendet.
Abstract
Der Artikel beschreibt eine neue Methode zur Parametrisierung des effektiven Hamiltonoperators für die Simulation von Materialeigenschaften komplexer Systeme. Anstatt aufwendige erste-Prinzipien-Berechnungen für viele Strukturen mit speziellen Verzerrungen durchzuführen, wie es in früheren Arbeiten üblich war, wird hier ein "On-the-fly"-Ansatz mit aktivem maschinellen Lernen verwendet.
Während der Molekulardynamik-Simulationen mit dem effektiven Hamiltonoperator werden die Energie, Kräfte und Spannungen sowie deren Unsicherheiten basierend auf dem aktuellen Parametersatz vorhergesagt. Wenn die Unsicherheiten groß sind, werden neue erste-Prinzipien-Berechnungen durchgeführt, um die Parameter nachzujustieren. Dieses Verfahren basiert auf einer Bayesschen linearen Regression und liefert nicht nur die Parameterwerte, sondern auch deren Unsicherheiten.
Die neue Methode wird erfolgreich auf verschiedene Perowskit-Systeme angewendet, darunter BaTiO3, CsPbI3 und SrTiO3/PbTiO3-Oberflächen. Die vorhergesagten Phasenübergänge und Strukturen stimmen gut mit Experimenten und früheren effektiven Hamiltonoperator-Studien überein. Insbesondere für die SrTiO3/PbTiO3-Oberfläche werden skyrmionenartige polare Nanodomänen korrekt vorhergesagt, die auch experimentell beobachtet wurden.
Die neue Methode bietet einen universellen und automatischen Weg, den effektiven Hamiltonoperator für beliebige Systeme, einschließlich komplexer Materialien, zu parametrisieren, ohne die Einschränkungen früherer Ansätze.
Stats
Die Phasenübergänge von BaTiO3 werden bei Temperaturen von 360 K (kubisch-tetragonal), 250 K (tetragonal-orthorhombisch) und 190 K (orthorhombisch-rhomboedrisch) vorhergesagt, im Vergleich zu experimentellen Werten von 403 K, 278 K und 183 K.
Die Simulationszeit für 100 MD-Schritte ist für den effektiven Hamiltonoperator etwa 3 bis 5 Größenordnungen schneller als für ab-initio MD-Simulationen, je nach Systemgröße.
Quotes
"Solch hochautomatisierte Herangehensweise bietet einen Weg, die Parameter des effektiven Hamiltonoperators zuverlässig zu bestimmen und macht es möglich, komplexe Wechselwirkungen für mögliche komplexe Systeme zu parametrisieren."
"Die neue Methode bietet einen universellen und automatischen Weg, den effektiven Hamiltonoperator für beliebige Systeme, einschließlich komplexer Materialien, zu parametrisieren, ohne die Einschränkungen früherer Ansätze."