ترجمه فارسی مقاله تعمیم‌پذیری میدان‌های نیروی شبکه عصبی نمودار برای پیش‌بینی ویژگی‌های حالت جامد

چکیده

Machine-learned force fields (MLFFs) promise to offer a computationally efficient alternative to ab initio simulations for complex molecular systems. However, ensuring their generalizability beyond training data is crucial for their wide application in studying solid materials. This work investigates the ability of a graph neural network (GNN)-based MLFF, trained on Lennard-Jones Argon, to describe solid-state phenomena not explicitly included during training. We assess the MLFF’s performance in predicting phonon density of states (PDOS) for a perfect face-centered cubic (FCC) crystal structure at both zero and finite temperatures. Additionally, we evaluate vacancy migration rates and energy barriers in an imperfect crystal using direct molecular dynamics (MD) simulations and the string method. Notably, vacancy configurations were absent from the training data. Our results demonstrate the MLFF’s capability to capture essential solid-state properties with good agreement to reference data, even for unseen configurations. We further discuss data engineering strategies to enhance the generalizability of MLFFs. The proposed set of benchmark tests and workflow for evaluating MLFF performance in describing perfect and imperfect crystals pave the way for reliable application of MLFFs in studying complex solid-state materials.

چکیده به فارسی (ترجمه ماشینی)

زمینه های نیروی یادگیری ماشین (MLFF) قول می دهند یک جایگزین محاسباتی کارآمد برای شبیه سازی های اولیه AB برای سیستم های مولکولی پیچیده ارائه دهند.با این حال ، اطمینان از تعمیم پذیری آنها فراتر از داده های آموزش برای کاربرد گسترده آنها در مطالعه مواد جامد بسیار مهم است.این کار به بررسی توانایی یک شبکه عصبی نمودار (GNN) مبتنی بر MLFF ، آموزش داده شده در Lennard-Jones Argon ، برای توصیف پدیده های حالت جامد که صریحاً در طول آموزش در آن گنجانده نشده است.ما عملکرد MLFF را در پیش بینی چگالی فون حالت (PDOS) برای یک ساختار کریستالی مکعب کامل محور (FCC) در هر دو دمای صفر و محدود ارزیابی می کنیم.علاوه بر این ، ما نرخ مهاجرت و موانع انرژی را در یک کریستال ناقص با استفاده از شبیه سازی دینامیک مولکولی مستقیم (MD) و روش رشته ارزیابی می کنیم.نکته قابل توجه ، تنظیمات جای خالی از داده های آموزش وجود ندارد.نتایج ما توانایی MLFF را برای گرفتن خصوصیات اساسی حالت جامد با توافق خوب برای داده های مرجع ، حتی برای تنظیمات غیب نشان می دهد.ما بیشتر در مورد استراتژی های مهندسی داده برای تقویت تعمیم پذیری MLFF ها بحث می کنیم.مجموعه پیشنهادی از تست های معیار و گردش کار برای ارزیابی عملکرد MLFF در توصیف کریستال های کامل و ناقص ، راه را برای کاربرد قابل اعتماد از MLFF در مطالعه مواد پیچیده حالت جامد هموار می کند.