[논문 리뷰] A first-principles machine-learning force field for heterogeneous ice nucleation on microcline feldspar

Pablo M. Piaggi, Annabella Selloni외 3명|arXiv (Cornell University)|2023. 05. 17.

Cryospheric studies and observationsEarth and Planetary Sciences인용 수 3

한 줄 요약

이 연구는 고정밀 밀도함수이론(SSCAN) 기반의 제1원리 기계학습 힘장력을 개발하여, 높은 정확도로 마이크로클린 페르스퍼트 표면에서 얼음 핵형성 현상을 모델링한다. 이 힘장력은 대규모 시스템(최대 30,000 원자)에서 안정적인 아비시노 분자역학 시뮬레이션을 가능하게 하며, (010) 및 (001) 표면의 비최소 결합 끊김 종단이 표면 수산화화와 전기적 효과로 안정화되며, 수분 구조가 표면에서 약 10 Å 이내로 변형됨을 밝혀냈다.

ABSTRACT

The formation of ice in the atmosphere affects precipitation and cloud properties, and plays a key role in the climate of our planet. Although ice can form directly from liquid water at deeply supercooled conditions, the presence of foreign particles can aid ice formation at much warmer temperatures. Over the past decade, experiments have highlighted the remarkable efficiency of feldspar minerals as ice nuclei compared to other particles present in the atmosphere. However, the exact mechanism of ice formation on feldspar surfaces has yet to be fully understood. Here, we develop a first-principles machine-learning model for the potential energy surface aimed at studying ice nucleation at microcline feldspar surfaces. The model is able to reproduce with high fidelity the energies and forces derived from density-functional theory (DFT) based on the SCAN exchange and correlation functional. We apply the machine-learning force field to study different fully-hydroxylated terminations of the (100), (010), and (001) surfaces of microcline exposed to vacuum. Our calculations suggest that terminations that do not minimize the number of broken bonds are preferred in vacuum. We also study the structure of supercooled liquid water in contact with microcline surfaces, and find that water density correlations extend up to around 1 nm from the surfaces. Finally, we show that the force field maintains a high accuracy during the simulation of ice formation at microcline surfaces, even for large systems of around 30,000 atoms. Future work will be directed towards the calculation of nucleation free energy barriers and rates using the force field developed herein, and understanding the role of different microcline surfaces on ice nucleation.

연구 동기 및 목표

• 제1원리 DFT 기반의 고정밀 기계학습 힘장력을 개발하여 마이크로클린 페르스퍼트에서 이질적 얼음 핵형성을 연구한다.
• 실험적 증거는 있지만 여전히 이해되지 않은 마이크로클린 표면에서의 얼음 핵형성 원자 구조적 메커니즘을 규명한다.
• 진공 및 액체 수분에서의 마이크로클린 (100), (010), (001) 표면의 다양한 수산화화된 종단의 안정성을 조사한다.
• 마이크로클린 표면 근처 초냉각 액체 수분의 구조를 특성화하고, 계면 수분 밀도 상관관계를 평가한다.
• 고정밀도와 힘 정확도를 확보한 채 마이크로클린 표면에서의 얼음 형성에 대해 대규모 아비시노 분자역학 시뮬레이션을 가능하게 한다.

제안 방법

• 기계학습 힘장력은 SCAN 전자상관관계 기능을 사용한 DFT 계산의 다양한 구성을 기반으로 훈련되었다.
• 훈련 세트에는 고체 초냉각 수분, 삼각형 및 입방체 얼음, 마이크로클린, 진공, 액체 수분 및 얼음 환경에서의 완전히 수산화화된 페르스퍼트 표면을 포함한다.
• 원자 환경의 대칭을 유지하는 표현 방식을 사용하여 잠재 에너지 표면의 회전 및 이동 불변성을 확보한다.
• 표면 안정성, 수분 구조 및 얼음 핵형성 역학을 연구하기 위해 훈련된 힘장력을 사용해 분자역학 시뮬레이션을 수행한다.
• (001) 표면에서 얼음 클러스터의 자발적 형성을 유도하기 위해 바이어스 퍼텐셜을 적용한다.
• 예측된 힘과 기준 DFT 힘을 비교하여 힘 정확도를 검증하였으며, 대규모 시스템에서 평균 오차 약 30 meV/Å를 달성하였다.

실험 결과

연구 질문

• RQ1 완전히 수산화화된 상태에서 진공에 노출된 마이크로클린 (100), (010), (001) 표면 종단 중 어느 것이 열역학적으로 가장 안정한가?
• RQ2 마이크로클린 표면 근처의 초냉각 액체 수분의 구조는 밀도에 비해 어떻게 다를 수 있으며, 이러한 영향이 어느 정도의 길이 척도에서 관찰되는가?
• RQ3 기계학습 힘장력은 대규모 시스템에서 아비시노 이론 수준의 정확도로 마이크로클린 표면에서의 얼음 핵형성 역학을 정확하게 시뮬레이션할 수 있는가?
• RQ4 표면 수산화화 및 전기적 효과는 마이크로클린 표면의 비최소 결합 끊김 종단을 안정화시키는 데 어떤 역할을 하는가?
• RQ5 실험적으로 제안된 바와 같이 마이크로클린 표면에서 형성된 얼음은 페르스퍼트 격자와 특정한 정렬 관계를 가지는가?

주요 결과

• 이전 연구(Kiselev 등)에서 제안된 (100) 표면 종단은 테스트된 두 종단 중 진공에서 가장 안정한 것으로 밝혀졌다.
• (010) 및 (001) 표면의 경우, 결합 끊김을 최소화하지 않는 종단이 표면 수소결합 강화 및 노출된 K+ 이온으로 인한 전기적 반발력 감소로 인해 진공에서 더 안정하다.
• 수분 밀도 상관관계는 마이크로클린 표면에서 약 10 Å 이내로 연장되며, 첫 번째 몇 겹의 수분층을 초월한 구조적 영향이 있음을 시사한다.
• 기계학습 힘장력은 최대 약 30,000 원자까지의 대규모 시뮬레이션 동안도 고정밀도를 유지하였으며, DFT와의 평균 힘 오차는 약 30 meV/Å였다.
• (001) 표면에 바이어스 퍼텐셜을 적용하여 얼음 형성을 유도한 결과 안정적인 동역학과 스택링 결함이 있는 클러스터가 관찰되었지만, 명확한 저지수 밀러 평면 정렬 관계는 관찰되지 않았다.
• 실험에서 관찰된 5 Å 수준의 수분 밀도 변화와의 괴리 원인은 페르스퍼트 다형체(마이크로클린 대비 올리고클린), 표면 종단 방식, 또는 실험 해상도 한계의 차이에서 기인할 수 있다.