Potenciales interatómicos de aprendizaje automático y su aplicación a baterías de litio

Seminario del doctorado en Física de FAMAF, dictado en la Aula Magna Enrique Gaviola, el 22/04/2022.

A la grabación de las diapositivas más la charla se puede acceder a través del siguiente link.

Resumen

En el campo de las simulaciones computacionales existen principalmente dos variantes para el estudio de materiales. Por un lado, las que se realizan con potenciales de interacción que se calculan a partir de primeros principios, y por otro lado las que emplean algún tipo de aproximación para estos potenciales. Las primeras de ellas tienen una gran precisión pero se encuentran limitadas a sistemas pequeños mientras que las segundas permiten simulaciones en escalas más grandes, pero su precisión depende de la forma funcional que se elija para el potencial en cuestión. Debido a la complejidad en aumento de los sistemas electroquímicos de interés en el área de las baterías de litio, es necesario que las simulaciones puedan realizarse a escalas grandes sin perder precisión. Los potenciales interatómicos de aprendizaje automático ofrecen representar la superficie energía-potencial mediante un entrenamiento con datos a partir de cálculos de estructura electrónica, que permiten llevar esto a cabo. En este seminario se introducen dichos potenciales y se presentan aplicaciones de los mismos en distintos componentes de las baterías de litio.

Referencias

• Deringer, V. L. (2020). Modelling and understanding battery materials with machine-learning-driven atomistic simulations. Journal of Physics: Energy, 2(4), 041003.

• Deringer, V. L., Caro, M. A., & Csányi, G. (2019). Machine learning interatomic potentials as emerging tools for materials science. Advanced Materials, 31(46), 1902765.

• Mishin, Y. (2021). Machine-learning interatomic potentials for materials science. Acta Materialia, 214, 116980.

• Behler, J. (2017). First principles neural network potentials for reactive simulations of large molecular and condensed systems. Angewandte Chemie International Edition, 56(42), 12828-12840.

• Behler, J. (2016). Perspective: Machine learning potentials for atomistic simulations. The Journal of chemical physics, 145(17), 170901.

• Mueller, T., Hernandez, A., & Wang, C. (2020). Machine learning for interatomic potential models. The Journal of chemical physics, 152(5), 050902.

• Hong, Y., Hou, B., Jiang, H., & Zhang, J. (2020). Machine learning and artificial neural network accelerated computational discoveries in materials science. Wiley Interdisciplinary Reviews: Computational Molecular Science, 10(3), e1450.

• Botu, V., Batra, R., Chapman, J., & Ramprasad, R. (2017). Machine learning force fields: construction, validation, and outlook. The Journal of Physical Chemistry C, 121(1), 511-522.

• Li, W., Ando, Y., Minamitani, E., & Watanabe, S. (2017). Study of Li atom diffusion in amorphous Li3PO4 with neural network potential. The Journal of chemical physics, 147(21), 214106.

• Fujikake, S., Deringer, V. L., Lee, T. H., Krynski, M., Elliott, S. R., & Csányi, G. (2018). Gaussian approximation potential modeling of lithium intercalation in carbon nanostructures. The Journal of chemical physics, 148(24), 241714.

• Artrith, N., Urban, A., & Ceder, G. (2018). Constructing first-principles phase diagrams of amorphous Li x Si using machine-learning-assisted sampling with an evolutionary algorithm. The Journal of chemical physics, 148(24), 241711.

Compilación

Para compilar se puede utilizar el Makefile simplemente tipeando en la terminal (Linux OS):

make

para borrar los archivos generados utilizar make clean.