ترجمه فارسی مقاله انتشار هیدروژن در منیزیم با استفاده از پتانسیل‌های یادگیری ماشین

چکیده

Understanding and accurately predicting hydrogen diffusion in materials is challenging due to the complex interactions between hydrogen defects and the crystal lattice. These interactions span large length and time scales, making them difficult to address with standard ab initio techniques. This work addresses this challenge by employing accelerated machine learning (ML) molecular dynamics simulations through active learning. We conduct a comparative study of different ML-based interatomic potential schemes, including VASP, MACE, and CHGNet, utilizing various training strategies such as on-the-fly learning, pre-trained universal models, and fine-tuning. We obtain an optimal hydrogen diffusion coefficient value of (2.1 cdot 10^{-8}) m(^2)/s at 673 K in MgH(_{0.06}), which aligns exceptionally well with experimental results, underlining the efficacy and accuracy of ML-assisted methodologies in the context of diffusive dynamics. Particularly, our procedure significantly reduces the computational effort associated with traditional transition state calculations or ad-hoc designed interatomic potentials. The results highlight the limitations of pre-trained universal solutions for defective materials and how they can be improved by fine-tuning. Specifically, fine-tuning the models on a database produced during on-the-fly training of VASP ML force field allows the retrieving of DFT-level accuracy at a fraction of the computational cost.

چکیده به فارسی (ترجمه ماشینی)

درک و پیش بینی دقیق انتشار هیدروژن در مواد به دلیل تعامل پیچیده بین نقص هیدروژن و شبکه کریستال ، چالش برانگیز است.این فعل و انفعالات دارای مقیاس های طول و زمان زیادی است و رسیدگی به آنها با تکنیک های استاندارد Ab Initio دشوار است.این کار با استفاده از شبیه سازی دینامیک مولکولی یادگیری ماشین شتاب (ML) از طریق یادگیری فعال ، این چالش را به وجود می آورد.ما یک مطالعه مقایسه ای از طرح های مختلف بالقوه بین اتمی مبتنی بر ML ، از جمله VASP ، MACE و CHGNET ، با استفاده از استراتژی های مختلف آموزشی مانند یادگیری در پرواز ، مدل های جهانی از پیش آموزش داده شده و تنظیم دقیق انجام می دهیم.ما یک مقدار ضریب انتشار هیدروژن بهینه از (2.1 cdot 10^{-8} ) m (^2 )/s را در 673 k در MGH (_ {0.06} ) بدست می آوریم ، که به خوبی با هم تراز شده است.نتایج تجربی ، تأکید بر اثربخشی و صحت روشهای با کمک ML در زمینه پویایی پراکندگی.به ویژه ، روش ما تلاش محاسباتی مرتبط با محاسبات حالت انتقال سنتی یا پتانسیل های بین اتمی طراحی شده را به طور قابل توجهی کاهش می دهد.نتایج محدودیت های راه حل های جهانی از پیش آموزش داده شده برای مواد معیوب و نحوه بهبود آنها با تنظیم دقیق را نشان می دهد.به طور خاص ، تنظیم دقیق مدل ها در یک پایگاه داده تولید شده در طول آموزش پرواز از میدان نیروی VASP ML امکان بازیابی دقت سطح DFT را در کسری از هزینه محاسباتی فراهم می کند.