ترجمه فارسی مقاله در مورد جاسازی‌های احتمالی در کاهش بهینه

چکیده

The advances of machine-learned force fields have opened up molecular dynamics (MD) simulations for compounds for which ab-initio MD is too resource-intensive and phenomena for which classical force fields are insufficient. Here we describe a neural-network force field parametrized to reproduce the r2SCAN potential energy landscape of HfO$_2$. Based on an automatic differentiable implementation of the isothermal-isobaric (NPT) ensemble with flexible cell fluctuations, we study the phase space of HfO$_2$. We find excellent predictive capabilities regarding the lattice constants and experimental X-ray diffraction data. The phase transition away from monoclinic is clearly visible at a temperature around 2000 K, in agreement with available experimental data and previous calculations. Another abrupt change in lattice constants occurs around 3000 K. While the resulting lattice constants are closer to cubic, they exhibit a small tetragonal distortion, and there is no associated change in volume. We show that this high-temperature structure is in agreement with the available high-temperature diffraction data.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت میدان های نیروی یادگیری ماشین ، شبیه سازی دینامیک مولکولی (MD) را برای ترکیباتی باز کرده است که MD ab-initio بیش از حد منابع و پدیده هایی است که زمینه های نیروی کلاسیک برای آنها کافی نیست.در اینجا ما یک میدان نیروی شبکه عصبی را که برای تولید مثل چشم انداز انرژی بالقوه R2SCAN از HFO $ _2 $ پارامتری است ، توصیف می کنیم.بر اساس اجرای متفاوت اتوماتیک گروه ایزوترمال-ایزوباری (NPT) با نوسانات سلول انعطاف پذیر ، فضای فاز HFO $ _2 $ را مطالعه می کنیم.ما قابلیت های پیش بینی عالی در مورد ثابت های شبکه و داده های پراش پرتوی ایکس تجربی را پیدا می کنیم.انتقال فاز به دور از مونوکلینیک با توافق با داده های آزمایشی موجود و محاسبات قبلی در دمای حدود 2000 K قابل مشاهده است.یکی دیگر از تغییر ناگهانی در ثابت شبکه در حدود 3000 K. رخ می دهد.ما نشان می دهیم که این ساختار درجه حرارت بالا با داده های پراش با دمای بالا در دسترس است.