МОДЕЛИРОВАНИЕ ФОСФОРЕНА МЕТОДОМ КЛАССИЧЕСКОЙ МОЛЕКУЛЯРНОЙ ДИНАМИКИ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ
МОДЕЛИРОВАНИЕ ФОСФОРЕНА МЕТОДОМ КЛАССИЧЕСКОЙ МОЛЕКУЛЯРНОЙ ДИНАМИКИ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ
Аннотация
В работе была предпринята попытка построить модель потенциалов межатомного взаимодействия чёрного фосфорена с помощью глубокого обучения. Мы выбрали архитектуру нейронных сетей с прямой связью, которая предоставляется программой DeePMD. Данные для обучения были собраны из результатов моделирования ab initio молекулярной динамики. Построенная модель силового поля в дальнейшем использовалась в моделировании методом классической молекулярной динамики. В результате расчётов для фосфорена были определены его плотность, равная примерно 2,72 г/см3, и коэффициент теплопроводности, который равен 1,685 Вт/(м·К) и 2,552 Вт/(м·К) в направлениях armchair и zigzag соответственно. Найденные физические свойства чёрного фосфорена адекватно согласуются с соответствующими реальными значениями.
1. Введение
Фосфорен является двумерным материалом, который может быть синтезирован из чёрного фосфора
. Интерес к нему обусловлен, в частности, тем, что он имеет ненулевую ширину запрещённой зоны, а многие физические свойства фосфорена зависят от количества слоёв и проявляют анизотропию.Множество работ
, , по исследованию фосфорена было проведено с помощью методов компьютерного моделирования, в основном используются первопринципные (ab initio) подходы. Но не так часто встречаются работы по моделированию фосфорена методом классической молекулярной динамики (МД), поскольку для проведения такой компьютерной симуляции необходима модель потенциалов – численная аппроксимация потенциалов и силовых полей межатомного взаимодействия.Известно, что глубокое обучение широко распространено в современных технологиях
, , а его использование в физике конденсированного состояния является многообещающим. Так, например, с помощью нейронных сетей возможно построить модель потенциалов, что и будет проделано в данной работе.Дополнительно, мы определим коэффициент теплопроводности фосфорена в компьютерной модели и сравним его с экспериментальными данными .
2. Метод построения компьютерной модели фосфорена
Первым шагом для построения компьютерной модели фосфорена является получение данных для обучения нейронной сети, такими данными выступают результаты первопринципного моделирования.
В 1985 году Кар и Парринелло предложили метод МД
, основой которого является совместное рассмотрение системы электронов и ионов. Движение ядер атомов задаётся классически, оно описывается эволюцией координат {RI} ядер, а электронные степени свободы – квантово-механическими волновыми функциямиПусть после проведения моделирования методом молекулярной динамики Кара-Парринелло (МДКП) системы, состоящей из N атомов, мы имеем информацию о системе в разные моменты времени: координаты атомов , полную энергию системы E, силы, действующие на i-й атом Fi и т.д.
Метод DeePMD позволяет установить зависимость полной энергии от позиций атомов друг относительно друга:
Здесь – матрица относительных координат – расстояний от атома i до атома j внутри некоторого радиуса взаимодействия rc:
Зависимость энергий Es(i) от матрицы относительных координат выстраивается в два шага: сначала по матрице строится матрица признаков, в оригинале называемая дескриптором
, с целью сохранения поступательной, вращательной и перестановочной симметрии системы; затем подгоняется такая нейронная сеть, что
, она называется подгоночной (FNN).
В данном методе дескриптор строится также через нейронную сеть , называемую вложением (ENN).
Обе сети (ENN и FNN
) являются обычными нейронными сетями с прямой связью, содержащие несколько скрытых слоёв.
В методе классической МД задача движения атомов решается путем вычисления траектории движения r(t) с помощью уравнений Ньютона:
где Fi(r) – суммарная сила, действующая на i-ю частицу:
U(r) – потенциальная энергия межатомного взаимодействия
.Так как энергия U(r) задана численно нейронными сетями, уравнения (3) просто решаются численными методами.
3. Метод определения коэффициента теплопроводности
![Схема распределения тепла в листе фосфорена размером [2L×10] нм2](/media/images/2024-03-20/dc8904e1-6a01-4128-9fb7-554794a6c540.jpg)
Рисунок 1 - Схема распределения тепла в листе фосфорена размером [2L×10] нм2
Согласно закону теплопроводности Фурье:
где ϰ – коэффициент теплопроводности, T – температура, q – вектор плотности теплового потока, скаляр которого описывается уравнением
здесь dQτ – пройденное количество тепла через единицу площади dS поперечного сечения за единицу времени dτ.
Примем, что пройденное через поперечное сечение количество теплоты Qτ за всё время (или за какой-то промежуток времени) Δt моделирования равно теплоте, переданной нагревающейся области за это же время:
Величина W делится на 2, поскольку тепло распространяется в двух направлениях.
Модуль градиента температуры можно представить как среднюю разность температур тёплого и холодного регионов, отнесённую к расстоянию L:
где N – количество взятых разностей в различные промежутки времени.
После некоторого времени t с начала моделирования устанавливается постоянный температурный градиент, тогда-то и будем вычислять коэффициент теплопроводности, который, учитывая соотношения (5), (6), (7) и (8), выразим в следующем виде:
В предположении с изменением длины образца 2L пропорционально изменяется время t, за которое установится неизменный со временем температурный градиент. То есть, пропорционально изменится и разность температур 〈ΔT〉. Таким образом, предполагается, что отношение 〈ΔT〉/L не изменяется для различных расстояний L.
4. Проведение моделирования
Сперва, как было ранее обозначено, проведём моделирование методом МДКП при помощи пакета программ Quantum-ESPRESSO, который использует специальные скрипты в качестве входных файлов
. Элементарная ячейка, участвующая в этом моделировании показана на рисунке 2.![Элемент кристаллической решётки фосфорена, участвующий в моделировании методом молекулярной динамики Кара-Парринелло](/media/images/2024-03-20/29706a63-16ef-4785-8f01-0e33a8c7f676.jpg)
Рисунок 2 - Элемент кристаллической решётки фосфорена, участвующий в моделировании методом молекулярной динамики Кара-Парринелло
![Изменение температуры со временем в обучающей выборке](/media/images/2024-05-31/34dae991-23a0-46fc-95b5-80591d7ad32a.png)
Рисунок 3 - Изменение температуры со временем в обучающей выборке
Скрытые слои нейросетей и количество нейронов в них задавалось следующим: ENN: [10,20,40]; FNN: [200,100,60,30,10].
Максимальный радиус взаимодействия принят равным rc=6 Å.
Количество шагов обучения: 100000.
![Изменение плотности фосфорена со временем в моделировании методом классической молекулярной динамики](/media/images/2024-05-31/b6689ef6-c415-4bad-aa44-b32dd2c044a6.png)
Рисунок 4 - Изменение плотности фосфорена со временем в моделировании методом классической молекулярной динамики
Для вычисления коэффициента теплопроводности фосфорена мы провели моделирование по описанной схеме (рисунок 1, уравнения 6-10) несколько раз, изменяя при этом длину образца 2L={20,30,40,50,60,70,80} нм. Результаты вычислений показаны на рисунке 5.
![Значения коэффициента теплопроводности фосфорена при его различной продольной длине 2L в разных направлениях](/media/images/2024-05-31/61ed5184-706f-46e6-a88c-58625ba53e53.jpg)
Рисунок 5 - Значения коэффициента теплопроводности фосфорена при его различной продольной длине 2L в разных направлениях
![Зависимость коэффициента теплопроводности от толщины образца чёрного фосфора](/media/images/2024-05-31/71dc7523-c1ea-41c8-8b67-c6a5747b03c9.jpg)
Рисунок 6 - Зависимость коэффициента теплопроводности от толщины образца чёрного фосфора
Примечание: по ист. [7]
![Зависимость отношения ϰy/ϰx от толщины образца чёрного фосфора](/media/images/2024-05-31/972012e4-90e0-45c1-9bec-49a8d045e551.jpg)
Рисунок 7 - Зависимость отношения ϰy/ϰx от толщины образца чёрного фосфора
Примечание: по ист. [7]
5. Заключение
Результаты вычислений, проведённых в работе, показывают высокую стабильность фосфорена в полученной компьютерной модели, а извлечённые физические свойства с достаточной точностью повторяют свойства реального материала.