<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN"
        "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
<!--<?xml-stylesheet type="text/xsl" href="article.xsl"?>-->
<article article-type="research-article" dtd-version="1.2" xml:lang="en" xmlns:mml="http://www.w3.org/1998/Math/MathML"
         xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
    <front>
        <journal-meta>
            <journal-id journal-id-type="issn">2303-9868</journal-id>
            <journal-id journal-id-type="eissn">2227-6017</journal-id>
            <journal-title-group>
                <journal-title>Международный научно-исследовательский журнал</journal-title>
            </journal-title-group>
            <issn pub-type="epub">2303-9868</issn>
            <publisher>
                <publisher-name>ООО Цифра</publisher-name>
            </publisher>
        </journal-meta>
        <article-meta>
            <article-id pub-id-type="doi">10.60797/IRJ.2024.143.168</article-id>
            <article-categories>
                <subj-group>
                    <subject>Brief communication</subject>
                </subj-group>
            </article-categories>
            <title-group>
                <article-title>МОДЕЛИРОВАНИЕ ФОСФОРЕНА МЕТОДОМ КЛАССИЧЕСКОЙ МОЛЕКУЛЯРНОЙ ДИНАМИКИ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ
                </article-title>
            </title-group>
            <contrib-group>
                <contrib contrib-type="author">
                    
                    <name>
                        <surname>Жариков</surname>
                        <given-names>Дмитрий Николаевич</given-names>
                    </name>
                    <email>dimitrol@mail.ru</email>
                    <xref ref-type="aff" rid="aff-1">1</xref>

                </contrib><contrib contrib-type="author">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-9497-9613</contrib-id>
                    <name>
                        <surname>Завьялов</surname>
                        <given-names>Дмитрий Викторович</given-names>
                    </name>
                    <email>sinegordon@gmail.com</email>
                    
                </contrib><contrib contrib-type="author" corresp="yes">
                    
                    <name>
                        <surname>Шеин</surname>
                        <given-names>Данила Валерьевич</given-names>
                    </name>
                    <email>danil.shein2013@yandex.ru</email>
                    
                </contrib>
            </contrib-group>
            <aff id="aff-1"><label>1</label>Волгоградский государственный технический университет</aff>
            
        <pub-date publication-format="electronic" date-type="pub" iso-8601-date="2024-05-31">
            <day>31</day>
            <month>05</month>
            <year>2024</year>
        </pub-date>
        
            
        <pub-date pub-type="collection">
            <year>2024</year>
        </pub-date>
        
            <volume>7</volume>
            <issue>143</issue>
            <fpage>1</fpage>
            <lpage>7</lpage>
            <history>
                
        <date date-type="received" iso-8601-date="2024-03-20">
            <day>20</day>
            <month>03</month>
            <year>2024</year>
        </date>
        
                
        <date date-type="accepted" iso-8601-date="2024-03-22">
            <day>22</day>
            <month>03</month>
            <year>2024</year>
        </date>
        
            </history>
            <permissions>
                <copyright-statement>Copyright: &#x00A9; 2022 The Author(s)</copyright-statement>
                <copyright-year>2022</copyright-year>
                <license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
                    <license-p>This is an open-access article distributed under the terms of the Creative Commons
                        Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution,
                        and reproduction in any medium, provided the original author and source are credited. See <uri
                                xlink:href="http://creativecommons.org/licenses/by/4.0/">
                            http://creativecommons.org/licenses/by/4.0/</uri>.
                    </license-p>
                </license>
            </permissions>
            <self-uri xlink:href="https://research-journal.org/archive/5-143-2024-may/10.60797/IRJ.2024.143.168"/>
            <abstract>
                <p>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.</p>
            </abstract>
            <kwd-group>
                <kwd>чёрный фосфорен</kwd>
<kwd> глубокое обучение</kwd>
<kwd> молекулярная динамика Кара-Парринелло</kwd>
<kwd> классическая молекулярная динамика</kwd>
<kwd> коэффициент теплопроводности</kwd>
</kwd-group>
        </article-meta>
    </front>
    <body> 
        
 
        
<sec>
	<title>HTML-content</title>
	<p>1. Введение</p>
	<p>Фосфорен является двумерным материалом, который может быть синтезирован из чёрного фосфора </p>
	<p>[1]</p>
	<p>Множество работ </p>
	<p>[2][3][4]</p>
	<p>Известно, что глубокое обучение широко распространено в современных технологиях </p>
	<p>[5][6]</p>
	<p>Дополнительно, мы определим коэффициент теплопроводности фосфорена в компьютерной модели и сравним его с экспериментальными данными [7].</p>
	<p>2. Метод построения компьютерной модели фосфорена</p>
	<p>Первым шагом для построения компьютерной модели фосфорена является получение данных для обучения нейронной сети, такими данными выступают результаты первопринципного моделирования.</p>
	<p>В 1985 году Кар и Парринелло предложили метод МД </p>
	<p>[8][9][10]</p>
	<p>Пусть после проведения моделирования методом молекулярной динамики Кара-Парринелло (МДКП) системы, состоящей из </p>
	<p>Метод DeePMD [11] позволяет установить зависимость полной энергии от позиций атомов друг относительно друга:</p>
	<code>[LATEX_FORMULA]E=\sum_i E_i=\sum_i E_{s(i)}\left(\boldsymbol{\mathcal{R}}^i\right).[/LATEX_FORMULA]</code>
	<p>Здесь [LATEX_FORMULA]\boldsymbol{\mathcal{R}}^i[/LATEX_FORMULA] – матрица относительных координат – расстояний от атома i до атома j внутри некоторого радиуса взаимодействия rc:</p>
	<code>[LATEX_FORMULA]\boldsymbol{\mathcal{R}}^i=\left\{\boldsymbol{r}_{1 i}^T, \ldots, \boldsymbol{r}_{j i}^T, \ldots, \boldsymbol{r}_{N_i i}^T\right\}^T, \boldsymbol{r}_{j i}=\left(x_{j i}, y_{j i}, z_{j i}\right).[/LATEX_FORMULA]</code>
	<p>Зависимость энергий </p>
	<p>В данном методе дескриптор строится также через нейронную сеть </p>
	<p>Обе сети (ENN </p>
	<p>В методе классической МД задача движения атомов решается путем вычисления траектории движения</p>
	<code>[LATEX_FORMULA]m_i \frac{d^2 \boldsymbol{r}_i(t)}{d t^2}=\boldsymbol{F}_i(\boldsymbol{r}),[/LATEX_FORMULA]</code>
	<p>где </p>
	<code>[LATEX_FORMULA]\boldsymbol{F}_i(\boldsymbol{r})=-\frac{\partial U(\boldsymbol{r})}{\partial \boldsymbol{r}_i},[/LATEX_FORMULA]</code>
	<p>[12]</p>
	<p>Так как энергия U(r) задана численно нейронными сетями, уравнения (3) просто решаются численными методами.</p>
	<p>3. Метод определения коэффициента теплопроводности</p>
	<fig id="F1">
		<label>Figure 1</label>
		<caption>
			<p>Схема распределения тепла в листе фосфорена размером [2L×10] нм2</p>
		</caption>
		<alt-text>Схема распределения тепла в листе фосфорена размером [2L×10] нм2</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-03-20/dc8904e1-6a01-4128-9fb7-554794a6c540.jpg"/>
	</fig>
	<p>Определим коэффициент теплопроводности листа фосфорена, который задан с периодическими границами, с размерами [2L] нм2 и [10] нм2 – в направлении x (armchair) и y (zigzag) соответственно. Здесь 2L – продольная длина листа фосфорена (рисунок 1) в направлении, в котором определяется коэффициент теплопроводности.[13]</p>
	<p>Согласно закону теплопроводности Фурье:</p>
	<code>[LATEX_FORMULA]\boldsymbol{q}=-\varkappa\; gradT,[/LATEX_FORMULA]</code>
	<p>где  </p>
	<code>[LATEX_FORMULA]q=\frac{dQ_\tau}{dSd\tau},[/LATEX_FORMULA]</code>
	<p>здесь </p>
	<p>Примем, что пройденное через поперечное сечение количество теплоты </p>
	<code>[LATEX_FORMULA]Q_\tau=\frac{W\Delta t}{2}.[/LATEX_FORMULA]</code>
	<p>Величина </p>
	<p>Модуль градиента температуры можно представить как среднюю разность температур тёплого и холодного регионов, отнесённую к расстоянию </p>
	<code>[LATEX_FORMULA]|gradT|=\frac{1}{LN}\sum^N_{i=1}|T^{(i)}_H-T^{(i)}_C|=\frac{\langle\Delta T\rangle}{L},[/LATEX_FORMULA]</code>
	<p>где </p>
	<p>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:</p>
	<code>[LATEX_FORMULA]\varkappa=\frac{|q|}{|gradT|}=\frac{1}{S\delta t}\frac{W\Delta t}{2}\frac{L}{\langle\Delta T\rangle}=\frac{WL}{2S\langle\Delta T\rangle}[/LATEX_FORMULA]</code>
	<p>В предположении с изменением длины образца </p>
	<p>4. Проведение моделирования</p>
	<p>Сперва, как было ранее обозначено, проведём моделирование методом МДКП при помощи пакета программ Quantum-ESPRESSO, который использует специальные скрипты в качестве входных файлов </p>
	<p>[14]</p>
	<fig id="F2">
		<label>Figure 2</label>
		<caption>
			<p>Элемент кристаллической решётки фосфорена, участвующий в моделировании методом молекулярной динамики Кара-Парринелло</p>
		</caption>
		<alt-text>Элемент кристаллической решётки фосфорена, участвующий в моделировании методом молекулярной динамики Кара-Парринелло</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-03-20/29706a63-16ef-4785-8f01-0e33a8c7f676.jpg"/>
	</fig>
	<fig id="F3">
		<label>Figure 3</label>
		<caption>
			<p>Изменение температуры со временем в обучающей выборке</p>
		</caption>
		<alt-text>Изменение температуры со временем в обучающей выборке</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-05-31/34dae991-23a0-46fc-95b5-80591d7ad32a.png"/>
	</fig>
	<p>При проведении моделирования методом МДКП необходимо задать термостат. В данной работе был использован термостат Ноуза. Частота осцилляции термостата должна быть по порядку равна фононной частоте (заданное значение частоты равно 100 ТГц). Температура термостата – 300 К.[15]</p>
	<p>Скрытые слои нейросетей и количество нейронов в них задавалось следующим: ENN: [10,20,40]; FNN: [200,100,60,30,10].</p>
	<p>Максимальный радиус взаимодействия принят равным </p>
	<p>Количество шагов обучения: 100000.</p>
	<p>Программа LAMMPS </p>
	<fig id="F4">
		<label>Figure 4</label>
		<caption>
			<p>Изменение плотности фосфорена со временем в моделировании методом классической молекулярной динамики</p>
		</caption>
		<alt-text>Изменение плотности фосфорена со временем в моделировании методом классической молекулярной динамики</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-05-31/b6689ef6-c415-4bad-aa44-b32dd2c044a6.png"/>
	</fig>
	<p>[16] </p>
	<p>Для вычисления коэффициента теплопроводности фосфорена мы провели моделирование по описанной схеме (рисунок 1, уравнения 6-10) несколько раз, изменяя при этом длину образца </p>
	<p>Средние значения коэффициента теплопроводности равны </p>
	<fig id="F5">
		<label>Figure 5</label>
		<caption>
			<p>Значения коэффициента теплопроводности фосфорена при его различной продольной длине 2L в разных направлениях</p>
		</caption>
		<alt-text>Значения коэффициента теплопроводности фосфорена при его различной продольной длине 2L в разных направлениях</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-05-31/61ed5184-706f-46e6-a88c-58625ba53e53.jpg"/>
	</fig>
	<fig id="F6">
		<label>Figure 6</label>
		<caption>
			<p>Зависимость коэффициента теплопроводности от толщины образца чёрного фосфора</p>
		</caption>
		<alt-text>Зависимость коэффициента теплопроводности от толщины образца чёрного фосфора</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-05-31/71dc7523-c1ea-41c8-8b67-c6a5747b03c9.jpg"/>
	</fig>
	<fig id="F7">
		<label>Figure 7</label>
		<caption>
			<p>Зависимость отношения ϰy/ϰx от толщины образца чёрного фосфора</p>
		</caption>
		<alt-text>Зависимость отношения ϰy/ϰx от толщины образца чёрного фосфора</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-05-31/972012e4-90e0-45c1-9bec-49a8d045e551.jpg"/>
	</fig>
	<p>[7]</p>
	<p>5. Заключение</p>
	<p>Результаты вычислений, проведённых в работе, показывают высокую стабильность фосфорена в полученной компьютерной модели, а извлечённые физические свойства с достаточной точностью повторяют свойства реального материала.</p>
</sec>
        <sec sec-type="supplementary-material">
            <title>Additional File</title>
            <p>The additional file for this article can be found as follows:</p>
            <supplementary-material id="S1" xmlns:xlink="http://www.w3.org/1999/xlink"
                                    xlink:href="https://doi.org/10.5334/cpsy.78.s1">
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/11954.docx">11954.docx</inline-supplementary-material>]-->
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/11954.pdf">11954.pdf</inline-supplementary-material>]-->
                <label>Online Supplementary Material</label>
                <caption>
                    <p>Further description of analytic pipeline and patient demographic information. DOI:
                        <italic>
                            <uri>https://doi.org/10.60797/IRJ.2024.143.168</uri>
                        </italic>
                    </p>
                </caption>
            </supplementary-material>
        </sec>
    </body>
    <back>
        <ack>
            <title>Acknowledgements</title>
            <p>None</p>
        </ack>
        <sec>
            <title>Competing Interests</title>
            <p>None</p>
        </sec>
        <ref-list>
            <ref id="B1">
                    <label>1</label>
                    <mixed-citation publication-type="confproc">
                        Castellanos-Gomez A. Isolation and characterization of few-layer black phosphorus / A. Castellanos-Gomez et al. // 2D Materials. — 2014. — Vol. 1. — № 2. — P. 025001.
                    </mixed-citation>
                </ref><ref id="B2">
                    <label>2</label>
                    <mixed-citation publication-type="confproc">
                        Ong Z. Anisotropic charged impurity-limited carrier mobility in monolayer phosphorene / Z. Ong, G. Zhang, Y.W. Zhang // Journal of Applied Physics. — 2014. — Vol. 116. — № 21. — P. 214505.
                    </mixed-citation>
                </ref><ref id="B3">
                    <label>3</label>
                    <mixed-citation publication-type="confproc">
                        Sa B. The electronic origin of shear-induced direct to indirect gap transition and anisotropy diminution in phosphorene / B. Sa et al. // Nanotechnology. — 2015. — Vol. 26. — № 21. — P. 215205.
                    </mixed-citation>
                </ref><ref id="B4">
                    <label>4</label>
                    <mixed-citation publication-type="confproc">
                        Kundu S. Native point defects in mono and bilayer phosphorene / S. Kundu, M.H. Naik, M. Jain // Physical Review Materials. — 2020. — Vol. 4. — № 5. — P. 054004.
                    </mixed-citation>
                </ref><ref id="B5">
                    <label>5</label>
                    <mixed-citation publication-type="confproc">
                        Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль; пер. с анг. А.А. Слинкина. — Москва : ДМК Пресс, 2018. — 652 с.
                    </mixed-citation>
                </ref><ref id="B6">
                    <label>6</label>
                    <mixed-citation publication-type="confproc">
                        Николенко С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. — Санкт-Петербург : Питер, 2018. — 480 с.
                    </mixed-citation>
                </ref><ref id="B7">
                    <label>7</label>
                    <mixed-citation publication-type="confproc">
                        Luo Z. Anisotropic in-plane thermal conductivity observed in few-layer black phosphorus / Z. Luo [et al.] // Nature Communications. — 2015. — Vol. 6. — № 1. — P. 8572.
                    </mixed-citation>
                </ref><ref id="B8">
                    <label>8</label>
                    <mixed-citation publication-type="confproc">
                        Car R. Unified Approach for Molecular Dynamics and Density-Functional Theory / R. Car, M. Parrinello // Physical Review Letters. — 1985. — Vol. 55. — № 22. — P. 2471.
                    </mixed-citation>
                </ref><ref id="B9">
                    <label>9</label>
                    <mixed-citation publication-type="confproc">
                        Hohenberg P. Inhomogeneous electron gas / P. Hohenberg, W. Kohn // Physical Review. — 1964. — Vol. 136. — № 3. — P. B 864.
                    </mixed-citation>
                </ref><ref id="B10">
                    <label>10</label>
                    <mixed-citation publication-type="confproc">
                        Kohn W. Self-Consistent Equations Including Exchange and Correlation Effects / W. Kohn, L.J. Sham // Physical Review. — 1965. — Vol. 140. — №4. — P. A 1133.
                    </mixed-citation>
                </ref><ref id="B11">
                    <label>11</label>
                    <mixed-citation publication-type="confproc">
                        Wang H. DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics / H. Wang [et al.] // Computer Physics Communications. — 2018. — Vol. 228. — P. 178.
                    </mixed-citation>
                </ref><ref id="B12">
                    <label>12</label>
                    <mixed-citation publication-type="confproc">
                        Ибрагимов И.М. Основы компьютерного моделирования наносистем / И.М. Ибрагимов, А.Н. Ковшов, Ю.Ф. Назаров. — Санкт-Петербург: Лань, 2010. — 376 с.
                    </mixed-citation>
                </ref><ref id="B13">
                    <label>13</label>
                    <mixed-citation publication-type="confproc">
                        Müller-Plathe F. A simple nonequilibrium molecular dynamics method for calculating the thermal conductivity / F. Müller-Plathe // J. Chem. Phys. — 1997. — Vol. 106. — №14. — P. 6082-6085.
                    </mixed-citation>
                </ref><ref id="B14">
                    <label>14</label>
                    <mixed-citation publication-type="confproc">
                        Input File Description // Quantum Espresso. — URL: https://www.quantum-espresso.org/Doc/INPUT_CP.html (accessed 17.12.2023)
                    </mixed-citation>
                </ref><ref id="B15">
                    <label>15</label>
                    <mixed-citation publication-type="confproc">
                        DeePMD-kit’s documentation // DeepModeling. — URL: https://docs.deepmodeling.com/projects/deepmd/en/stable/index.html (accessed 17.12.2023)
                    </mixed-citation>
                </ref><ref id="B16">
                    <label>16</label>
                    <mixed-citation publication-type="confproc">
                        LAMMPS Documentation // LAMMPS Molecular Dynamics Simulator. — URL: https://docs.lammps.org/stable/Manual.html (accessed 17.12.2023)
                    </mixed-citation>
                </ref>
        </ref-list>
    </back>
    <fundings>
        
    </fundings>
</article>