ترجمه فارسی مقاله متحد کردن توضیحات هیدروکربن ها و مواد کربن هیدروژنه با یک ماشین واکنش دهنده شیمیایی یادگیری پتانسیل متقابل

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

چکیده

We present a general-purpose machine learning (ML) interatomic potential for carbon and hydrogen which is capable of simulating various materials and molecules composed of these elements. This ML interatomic potential is trained using the Gaussian approximation potential (GAP) framework and an extensive dataset of C-H configurations obtained from density functional theory. The dataset is constructed through iterative training and structure-search techniques that generate a broad range of configurations to comprehensively sample the potential energy surface. Furthermore, the dataset is supplemented with relevant bulk, molecular, and high-pressure structures. Finally, long-range van der Waals interactions are added as a locally parametrized model. The accuracy and generality of the potential are validated through the analysis of different simulations under a wide range of conditions, including weak interactions, high temperature, and high pressure. We show that our CH GAP model describes different problems such as the formation of simple and complex alkanes, aromatic hydrocarbons, hydrogenated amorphous carbon (a-C:H), and CH systems at extreme conditions, while retaining good accuracy for pure carbon materials. We use this model to generate hydrocarbons of different sizes and complexity without prior knowledge of organic chemistry rules, and to highlight intrinsic limitations to the simultaneous description on intra and intermolecular interactions within a single computational framework. Our general-purpose ML interatomic potential has the capability to significantly advance research in the field of H-containing carbon materials and compounds, particularly in the areas where longer dynamics, reactivity and large-scale effects may be important.

چکیده به فارسی (ترجمه ماشینی)