ترجمه فارسی مقاله پیش‌بینی دقیق خواص ساختاری و مکانیکی مواد آمورف از طریق پتانسیل‌های یادگیری ماشینی: مطالعه موردی نیترید سیلیکون

چکیده

Amorphous silicon nitride (a-SiN) is a material which has found wide application due to its excellent mechanical and electrical properties. Despite the significant effort devoted in understanding how the microscopic structure influences the material performance, many aspects still remain elusive. If on the one hand textit{ab initio} calculations respresent the technique of election to study such a system, they present severe limitations in terms of the size of the system that can be simulated. Such an aspect plays a determinant role, particularly when amorphous structure are to be investigated, as often results depend dramatically on the size of the system. Here, we overcome this limitation by training a machine-learning (ML) interatomic model to textit{ab initio} data. We show that molecular dynamics simulations using the ML model on much larger systems can reproduce experimental measurements of elastic properties, including elastic isotropy. Our study demonstrates the broader impact of machine-learning potentials for predicting structural and mechanical properties, even for complex amorphous structures.

چکیده به فارسی (ترجمه ماشینی)

نیترید سیلیکون آمورف (A-sin) ماده ای است که به دلیل خاصیت مکانیکی و الکتریکی عالی آن کاربرد گسترده ای را پیدا کرده است.علیرغم تلاش چشمگیر اختصاص یافته در درک چگونگی تأثیر ساختار میکروسکوپی بر عملکرد مواد ، بسیاری از جنبه ها همچنان گریزان هستند.اگر از یک طرف textit {ab initio} محاسبات تکنیک انتخابات برای مطالعه چنین سیستمی را نشان دهد ، آنها محدودیت های شدید را از نظر اندازه سیستم ارائه می دهند که می توان شبیه سازی کرد.چنین جنبه ای نقش تعیین کننده ای را ایفا می کند ، به ویژه هنگامی که ساختار آمورف مورد بررسی قرار می گیرد ، زیرا اغلب نتایج به طرز چشمگیری به اندازه سیستم بستگی دارد.در اینجا ، ما با آموزش یک مدل بین المللی یادگیری ماشین (ML) به داده های textit {ab initio} ، بر این محدودیت غلبه می کنیم.ما نشان می دهیم که شبیه سازی دینامیک مولکولی با استفاده از مدل ML در سیستم های بسیار بزرگتر می تواند اندازه گیری های تجربی از خواص الاستیک ، از جمله ایزوتروپی الاستیک را تولید کند.مطالعه ما تأثیر گسترده تری از پتانسیل های یادگیری ماشین را برای پیش بینی خصوصیات ساختاری و مکانیکی ، حتی برای ساختارهای پیچیده آمورف نشان می دهد.