ترجمه فارسی مقاله پیشبرد شبیه سازی دینامیک مولکولی غیردیاباتیک برای جامدات: دستیابی به دقت و کارایی عالی با یادگیری ماشین

چکیده

Non-adiabatic molecular dynamics (NAMD) simulations have become an indispensable tool for investigating excited-state dynamics in solids. In this work, we propose a general framework, N$^2$AMD which employs an E(3)-equivariant deep neural Hamiltonian to boost the accuracy and efficiency of NAMD simulations. The preservation of Euclidean symmetry of Hamiltonian enables N$^2$AMD to achieve state-of-the-art performance. Distinct from conventional machine learning methods that predict key quantities in NAMD, N$^2$AMD computes these quantities directly with a deep neural Hamiltonian, ensuring supreme accuracy, efficiency, and consistency. Furthermore, N$^2$AMD demonstrates excellent generalizability and enables seamless integration with advanced NAMD techniques and infrastructures. Taking several extensively investigated semiconductors as the prototypical system, we successfully simulate carrier recombination in both pristine and defective systems at large scales where conventional NAMD often significantly underestimates or even qualitatively incorrectly predicts lifetimes. This framework not only boosts the efficiency and precision of NAMD simulations but also opens new avenues to advance materials research.

چکیده به فارسی (ترجمه ماشینی)

شبیه سازی دینامیک مولکولی غیر آدیاباتیک (NAMD) به ابزاری ضروری برای بررسی دینامیک حالت هیجان در مواد جامد تبدیل شده است.در این کار ، ما یک چارچوب کلی ، n $ 2 $ amd را پیشنهاد می کنیم که از یک هامیلتونیان عصبی عمیق E (3) استفاده می کند تا دقت و کارآیی شبیه سازی های NAMD را تقویت کند.حفظ تقارن اقلیدسی همیلتونیان N $ 2 $ AMD را قادر می سازد تا به عملکرد پیشرفته ای برسد.متمایز از روشهای یادگیری ماشین معمولی که مقادیر کلیدی در NAMD را پیش بینی می کنند ، N $ 2 $ amd این مقادیر را مستقیماً با یک همیلتون عصبی عمیق محاسبه می کند و از دقت ، کارآیی و قوام عالی اطمینان می دهد.علاوه بر این ، n $ 2 $ amd تعمیم پذیری عالی را نشان می دهد و ادغام یکپارچه را با تکنیک های پیشرفته NAMD و زیرساخت ها امکان پذیر می کند.با در نظر گرفتن چندین هادی های نیمه هادی گسترده به عنوان سیستم نمونه اولیه ، ما با موفقیت نوترکیبی حامل را در هر دو سیستم بکر و معیوب در مقیاس های بزرگ شبیه سازی می کنیم که در آن NAMD معمولی اغلب به طور قابل توجهی دست کم می گیرد یا حتی از نظر کیفی به طور نادرست طول عمر را پیش بینی می کند.این چارچوب نه تنها باعث افزایش کارایی و دقت شبیه سازی های NAMD می شود بلکه راه های جدیدی را برای پیشبرد تحقیقات مواد باز می کند.