Применение машинного обучения для построения моделей межатомного взаимодействия

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 18-13-00479

НазваниеПрименение машинного обучения для построения моделей межатомного взаимодействия

Руководитель Шапеев Александр Васильевич, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регион Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий» , г Москва

Конкурс №28 - Конкурс 2018 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 03 - Химия и науки о материалах; 03-604 - Многомасштабное компьютерное моделирование структуры и свойств материалов

Ключевые слова Машинное обучение, активное обучение, межатомные потенциалы, молекулярное моделирование, компьютерное материаловедение, предсказание кристаллической структуры

Код ГРНТИ29.19.03

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Множество научных исследований в области материаловедения, молекулярной физики, химии и биологии использует метод атомистического (или молекулярного) моделирования. Атомистическое моделирование обычно основано на использовании либо (полу-)эмпирических межатомных потенциалов, либо квантовомеханических моделей межатомного взаимодействия. Модели первого класса вычислительно эффективны, однако их точность зачастую недостаточна в практических приложениях. Использование моделей второго класса позволяет получать результаты с высокой точностью, однако такие модели чрезвычайно затратны. В то же время, широкий круг практических задач не может быть решён без точной и одновременно высокопроизводительной (быстрой) модели межатомного взаимодействия. Данный проект направлен на (1) построение и развитие новых моделей межатомного взаимодействия на основе машинного обучения, сочетающих вычислительную эффективность и достаточную точность, и (2) их применение для решения широкого круга практических задач. Такие модели характеризуются набором параметров (обычно, от 100 до 5000), которые находятся в результате обучения на данных квантовомеханических расчётов. После обучения машиннообучаемая модель сможет воспроизводить поведение квантовомеханических моделей. В ходе этого проекта мы намерены разработать новый класс потенциалов на основе машинного обучения, способных описывать атомистические системы с различными типами атомов. Помимо этого, мы будем использовать активное обучение для построения обучающей выборки на лету, таким образом будет решена проблема переносимости машинно-обученных потенциалов. Это позволит впервые решить ряд задач компьютерного материаловедения, которые до сих пор не удавалось решить классическими методами. В частности, мы (1) проведём поиск новых кристаллических структур бора, лития, натрия и железа (при давлениях и температурах земного ядра); (2) изучим поведение сложных структур и дефектов в твёрдых телах с контролируемой точностью; (3) разработаем метод для точного вычисления свободной энергии и теплопроводности кристаллической решётки; (4) проведём прямое моделирование редких событий в атомистической системе с высокой точностью; (5) разработаем метод точного моделирования систем с большим числом атомов с различными типами связей, (6) применим разработанные потенциалы к предсказанию устойчивых сплавов и расчету фазовых диаграмм. Что не менее важно, будет проведена апробация разработанной модели межатомного взаимодействия на основе машинного обучения. Это позволит нам и научному сообществу в целом использовать эту методологию для других важных задач вычислительного материаловедения, где одновременно важны точность и вычислительная эффективность.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Губаев К.В., Подрябинкин Е.В., Харт Г.Л., Шапеев А.В. Accelerating high-throughput searches for new alloys with active learning of interatomic potentials Computational Materials Science, Elsevier, Volume 156, Pages 148-156 (год публикации - 2019)
10.1016/j.commatsci.2018.09.031

2. Новиков И.С., Сулейманов Ю.В., Шапеев А.В. Automated calculation of thermal rate coeﬃcients using ring polymer molecular dynamics and machine-learning interatomic potentials with active learning Physical Chemistry Chemical Physics, Royal Society of Chemistry, Volume 20, Issue 46, 29503-29512 (год публикации - 2018)
10.1039/c8cp06037a

3. Новиков И.С., Шапеев А.В. Improving accuracy of interatomic potentials: more physics or more data? A case study of silica Materials Today Communications, Elsevier, Volume 18, Pages 74-80 (год публикации - 2019)
10.1016/j.mtcomm.2018.11.008

4. Грабовски Б., Икеда Ю., Сринивасан П., Корманн Ф., Фрейсолдт К., Иан Дафф Э., Шапеев А., Нойгебауэр Й. Ab initio vibrational free energies including anharmonicity for multicomponent alloys npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-6 (год публикации - 2019)
10.1038/s41524-019-0218-8

5. Мешков Е., Новоселов И., Шапеев А., Янилкин А. Sublattice formation in CoCrFeNi high-entropy alloy Intermetallics, Elsevier, Volume 112, Pages 106542 (год публикации - 2019)
10.1016/j.intermet.2019.106542

6. Зафари-Задех А., Ху К., Ласковски Р., Браничио П., Шапеев А. Applying a machine learning interatomic potential to unravel the effects of local lattice distortion on the elastic properties of multi-principal element alloys Journal of Alloys and Compounds, Elsevier, Volume 803, Pages 1054-1062 (год публикации - 2019)
10.1016/j.jallcom.2019.06.318

7. Костюченко Т., Корманн Ф., Нойгебауэр Й., Шапеев А. Impact of lattice relaxations on phase transitions in a high-entropy alloy studied by machine-learning potentials npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-7 (год публикации - 2019)
10.1038/s41524-019-0195-y

8. Нишэдхэм Г., Рупп М., Беккер Б., Шапеев А., Мюллер Т., Розенброк К., Цзаньи Г., Уингэйт Д., Харт Г. Machine-learned multi-system surrogate models for materials prediction npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-6 (год публикации - 2019)
10.1038/s41524-019-0189-9

9. Ладыгин В., Коротаев П., Янилкин А., Шапеев А. Lattice dynamics simulation using machine learning interatomic potentials Computational Materials Science, Elsevier, Volume 172, Pages 109333 (год публикации - 2020)
10.1016/j.commatsci.2019.109333

10. Новоселов И., Янилкин А., Шапеев А., Подрябинкин Е. Moment tensor potentials as a promising tool to study diffusion processes Computational Materials Science, Elsevier, Volume 164, Pages 46-56 (год публикации - 2019)
10.1016/j.commatsci.2019.03.049

11. Коротаев П., Новоселов И., Янилкин А., Шапеев А. Accessing thermal conductivity of complex compounds by machine learning interatomic potentials Physical Review B, APS, Volume 100, Pages 144308 (год публикации - 2019)
10.1103/PhysRevB.100.144308

12. Новиков И., Шапеев А., Сулейманов Ю. Ring polymer molecular dynamics and active learning of moment tensor potential for gas-phase barrierless reactions: Application to S + H2 Journal of Chemical Physics, AIP, Volume 151, Issue 22, Pages 224105 (год публикации - 2019)
10.1063/1.5127561

13. Подрябинкин Е., Тихонов Е., Шапеев А., Оганов А. Accelerating crystal structure prediction by machine-learning interatomic potentials with active learning Physical Review B, APS, Volume 99, Pages 064114 (год публикации - 2019)
10.1103/PhysRevB.99.064114

14. Мортазави Б., Подрябинкин Е.В., Роше С., Рабчук Т., Чжуан С., Шапеев А.В. Machine-learning interatomic potentials enable first-principles multiscale modeling of lattice thermal conductivity in graphene/borophene heterostructures Materials Horizons, Royal Society of Chemistry, Number 9, Volume 7, Pages 2359-2367 (год публикации - 2020)
10.1039/D0MH00787K

15. Цзо Ю., Чен Ч., Ли С., Дэн Ч., Чен И., Бейлер Й., Цзаньи Г., Шапеев А.В,, Томсон А., Вуд М., Пин Он Щ. Performance and cost assessment of machine learning interatomic potentials J. Phys. Chem. A, American Chemical Society, Number 4, Volume 124, Pages 731-745 (год публикации - 2020)
10.1021/acs.jpca.9b08723

16. Мортазави Б., Подрябинкин Е.В., Новиков И.С., Роше С., Рабчук Т., Чжуан С., Шапеев А.В. Efficient machine-learning based interatomic potentials for exploring thermal conductivity in two-dimensional materials Journal of Physics: Materials, IOP Publishing, Number 2, Volume 3, Pages 02LT02 (год публикации - 2020)
10.1088/2515-7639/ab7cbb

17. Ходапп М., Шапеев А.В. In operando active learning of interatomic interaction during large-scale simulations Machine Learning: Science and Technology, IOP Publishing, Number 1, Volume 4, Pages 045005 (год публикации - 2020)
10.1088/2632-2153/aba373

18. Мортазави Б., Шожаеи Ф., Шахрохи М., Азизи М., Рабчук Т., Шапеев А.В., Чжуан С. Nanoporous C3N4, C3N5 and C3N6 nanosheets; novel strong semiconductors with low thermal conductivities and appealing optical/electronic properties Carbon, Elsevier, Volume 167, Pages 40-50 (год публикации - 2020)
10.1016/j.carbon.2020.05.105

19. Раейзи М., Мортазави Б., Подрябинкин Е.В., Шожаеи Ф., Чжуан С., Шапеев А.В. High thermal conductivity in semiconducting Janus and non-Janus diamanes Carbon, Elsevier, Volume 167, Pages 51-61 (год публикации - 2020)
10.1016/j.carbon.2020.06.007

20. Мортазави Б., Новиков И.С., Подрябинкин Е.В., Роше С., Рабчук Т., Шапеев А.В., Чжуан С. Exploring phononic properties of two-dimensional materials using machine learning interatomic potentials Applied Materials Today, Elsevier, Volume 20, Pages 100685 (год публикации - 2020)
10.1016/j.apmt.2020.100685

21. Мортазави Б., Подрябинкин Е.В., Новиков И.С., Рабчук Т., Шапеев А.В.,Чжуан С. Accelerating first-principles estimation of thermal conductivity by machine-learning interatomic potentials: A MTP/ShengBTE solution Computer Physics Communications, Elsevier, Volume 258, Pages 107583 (год публикации - 2021)
10.1016/j.cpc.2020.107583

22. Новиков И.С., Губаев К., Подрябинкин Е.В., Шапеев А.В. The MLIP package: Moment Tensor Potentials with MPI and Active Learning Machine Learning: Science and Technology, IOP Publishing (год публикации - 2020)
10.1088/2632-2153/abc9fe

23. Коротаев П.Ю., Шапеев А.В. Lattice dynamics of YbxCo4Sb12 skutterudite by machine-learning interatomic potentials: Effect of filler concentration and disorder Physical Review B, APS, Volume 102, Pages 184305 (год публикации - 2020)
10.1103/PhysRevB.102.184305

24. Розенброк К., Губаев К., Шапеев А.В., Партай Л., Бернштейн Н., Габор Ц., Харт Г. Machine-learned Interatomic Potentials for Alloys and Alloy Phase Diagrams npj Computational Materials, Nature Publishing Group (год публикации - 2021)

25. Ван Ци, Дин Джюн, Чанг Лонгфей, Подрябинкин Е.В., Шапеев А.В., Ма Эван Predicting the propensity for thermally activated β events in metallic glasses via interpretable machine learning npj Computational Materials, Nature Publishing Group, Volume 6, pages 1-12 (год публикации - 2020)
10.1038/s41524-020-00467-4

Публикации