[論文レビュー] Realistic Atomistic Structure of Amorphous Silicon from Machine-Learning-Driven Molecular Dynamics.

Volker L. Deringer, Noam Bernstein+7 more|arXiv (Cornell University)|Mar 7, 2018

Machine Learning in Materials Science参考文献 50被引用数 6

ひとこと要約

本研究は、密度汎関数理論（DFT）水準の精度を実現するが計算コストは大幅に削減された、ガウス近似ポテンシャル（GAP）フレームワークに基づく機械学習原子間ポテンシャルを開発し、非晶質ケイ素（a-Si）の分子動力学的シミュレーションを実施した。10¹¹ K/sという現実的な冷却速度で液体状態からクエンチングすることで、512原子のa-Si構造が得られ、欠际濃度は2%未塔であり、実験的な²⁹Si NMRシフト、X線回折データ（初めの鋭い回折ピーク（FSDP）を含む）、そして差熱走査量熱測定の結果と定量的に一致した。本研究は、非晶質材料のモデリング分野における新たなベンチマークを確立した。

ABSTRACT

Amorphous silicon ( a-Si) is a widely studied noncrystalline material, and yet the subtle details of its atomistic structure are still unclear. Here, we show that accurate structural models of a-Si can be obtained using a machine-learning-based interatomic potential. Our best a-Si network is obtained by simulated cooling from the melt at a rate of 1011 K/s (that is, on the 10 ns time scale), contains less than 2% defects, and agrees with experiments regarding excess energies, diffraction data, and 29Si NMR chemical shifts. We show that this level of quality is impossible to achieve with faster quench simulations. We then generate a 4096-atom system that correctly reproduces the magnitude of the first sharp diffraction peak (FSDP) in the structure factor, achieving the closest agreement with experiments to date. Our study demonstrates the broader impact of machine-learning potentials for elucidating structures and properties of technologically important amorphous materials.

研究の動機と目的

• 水素を含まない非晶質ケイ素（a-Si）の原子スケールモデルを生成し、実験的構造的および電子的性質を正確に反映すること。
• 従来の分子動力学的シミュレーションの限界を克服すること。DFTは計算コストが高く、系のサイズや冷却速度を制限するが、古典的力場は精度に欠ける。
• 機械学習原子間ポテンシャルが、DFT水準の精度を実現しながらも古典的シミュレーションに近い計算コストで実現できることを示すこと。これにより、非晶質材料の大規模なシミュレーションが可能になる。
• 29Si NMR化学シフト、X線構造因子、過剰エネルギーといった、主要な実験的観測量を定量的に再現するa-Siの構造モデルを生成すること。

提案手法

• 本研究では、結晶性、非晶質性、液体ケイ素のDFTデータを用いてトレーニングされた、ガウス過程に基づく機械学習原子間ポテンシャル（GAP）を採用した。
• 分子動力学シミュレーションはLAMMPSおよびQUIPを用い、時間ステップは1 fs、NPT系の制御にはノーゼ–フーバーの温度制御および圧力制御を用いた。
• 512原子系に対して、1,800 Kの液体状態から出発し、10¹¹ K/sのゆっくりとしたクエンチングプロトコルを適用し、その後、平衡化と500 Kへの冷却を実施した。
• クエンチング後、原子位置およびセルベクトルを局所エネルギー最小状態に緩和するために共役勾配法（CG）最小化を実施した。
• 4,096原子系では、段階的クエンチングプロトコルを採用した：1,500 Kから1,250 Kへの冷却速度10¹³ K/s、1,250 Kから1,050 Kへの10¹¹ K/s、1,050 Kから500 Kへの10¹³ K/s。その後、CG最小化を適用した。
• NMR化学シフトは、DFTに基づくGIPAW法を用い、オンザフライ擬ポテンシャル、平面波カットオフエネルギー250 eV、PW91交換相関関数を用いて計算した。

実験結果

リサーチクエスチョン

• RQ1 機械学習原子間ポテンシャルは、DFT水準の精度と古典的シミュレーションの速度を両立させ、非晶質ケイ素構造を生成できるか？
• RQ2 機械学習分子動力学において、10¹¹ K/sというゆっくりとしたクエンジング速度は、速いクエンジングに比べてより低いエネルギーで、より実験的に正確なa-Si構造をもたらすか？
• RQ3 得られたa-Siモデルは、実験的²⁹Si NMR化学シフトおよびX線回折データ（初めの鋭い回折ピーク（FSDP）を含む）をどの程度定量的に再現できるか？
• RQ4 大規模系（4,096原子）に対しても、過剰エネルギーおよび構造因子について、実験的データと定量的整合性を示せるか？
• RQ5 シミュレートされたa-Si構造の欠际濃度は、実験的観察と整合しており、特に不足座標と過剰座標のサイトが適切に再現されているか？

主な発見

• 10¹¹ K/sでクエンジングした512原子a-Si構造は、欠际濃度が2%未塔であり、水素を含まないa-Siの実験的観察と整合した。
• シミュレートされた構造は、実験的²⁹Si固体状態NMR化学シフトと非常に良好に一致しており、実験値からの平均二乗偏差はわずか1.5 ppmであった。
• 512原子モデルのX線構造因子は、FSDPの大きさを、これまでで最も実験値に近い精度で再現した。
• 4,096原子モデルでもFSDPの大きさが正しく再現されたことから、機械学習ポテンシャルが大規模でデバイスに相応しい系サイズへスケーラブルであることが示された。
• 10¹¹ K/sで生成された構造は、速いクエンジングシミュレーションよりも過剰エネルギーが低く、より熱力学的に安定した構造であることが示された。
• 本研究では、機械学習ポテンシャルが、古典的計算コストに近いコストでDFT水準の精度を実現できることを示し、非晶質材料の大規模かつ高精度なモデリングが可能であることを示した。