[논문 리뷰] Application of artificial neural networks for rigid lattice kinetic Monte Carlo studies of Cu surface diffusion

Jyri Kimari, Ville Jansson외 5명|arXiv (Cornell University)|2018. 06. 08.

nanoparticles nucleation surface interactions참고 문헌 55인용 수 16

한 줄 요약

이 연구는 동적 몬테카를로(KMC) 시뮬레이션을 위한 구리(Cu) 표면 이동 장벽을 예측하기 위해 인공신경망(ANN)을 사용하는 기계학습 접근법을 개발한다. 이는 저지수 Cu 표면에서 표면 확산을 정확하게 모델링하는 데 성공한다. 훈련된 ANN은 226개의 장벽 중 일부를 기반으로 하여, 나노클러스터의 안정화, 나노팁의 평탄화, 나노와이어의 분열을 효율적이고 물리적으로 일관된 KMC 시뮬레이션을 가능하게 하며, 약 1000 K에서 {1 1 0} 표면의 불안정성이 예측되어 알려진 표면 거칠기가 발생하는 온도와 일치한다.

ABSTRACT

Kinetic Monte Carlo (KMC) is a powerful method for simulation of diffusion processes in various systems. The accuracy of the method, however, relies on the extent of details used for the parameterization of the model. Migration barriers are often used to describe diffusion on atomic scale, but the full set of these barriers may become easily unmanageable in materials with increased chemical complexity or a large number of defects. This work is a feasibility study for applying a machine learning approach for Cu surface diffusion. We train an artificial neural network on a subset of the large set of $2^{26}$ barriers needed to correctly describe the surface diffusion in Cu. Our KMC simulations using the obtained barrier predictor show sufficient accuracy in modelling processes on the low-index surfaces and display the correct thermodynamical stability of these surfaces.

연구 동기 및 목표

• KMC 시뮬레이션에서 Cu 표면 확산의 모든 226개 장벽을 계산하는 데 발생하는 계산적 병목 현상을 해결하기 위해.
• 제한된 훈련 세트에서 이동 장벽을 예측할 수 있는 기계학습 서브스티튜트 모델을 개발하기 위해.
• 임의의 정렬된 Cu 표면에서의 3차원 KMC 시뮬레이션을 정확하게 수행하기 위해.
• 나노스케일 형태 변화에 대해 분자역학(MD) 시뮬레이션과 실험 관측 결과와의 비교를 통해 모델을 검증하기 위해.
• 표면 거칠기 전이를 포함한 열역학적 표면 안정성을 포괄적으로 포착할 수 있는지 평가하기 위해.

제안 방법

• LAMMPS에서 뉴지드 엘라스틱 밴드(NEB) 방법을 사용해 계산된 대표적인 226개의 이동 장벽을 기반으로 인공신경망(ANN)을 훈련시켰다.
• 각 점프 전의 원자 구조를 기록하기 위해 첫 번째 및 두 번째 근접 원자를 포함한 28개 원자 국소원자환경(LAE) 기술자를 사용했다.
• 아레니우스 방정식을 사용하여 점프 확률을 계산하는 데 ANN 예측 장벽을 강체 격자 KMC 시뮬레이션에 통합하였다. 이는 Kimocs 코드를 활용하였다.
• 계산 효율성을 높이기 위해 4차원 LAE 기술자(a, b, c, d)를 사용하였으며, 이는 초기 및 최종 점프 위치에서의 1nn 및 2nn 원자 수를 나타낸다.
• 나노팁 평탄화의 MD 시뮬레이션 timescale과 일치시키기 위해 尝시 빈도 ν를 校정하여 ν = 2.81 × 10¹⁴ s⁻¹를 도출하였다.
• 나노클러스터 에너지 최소화, 나노팁 평탄화, 나노와이어 불안정성에 대한 KMC 시뮬레이션을 통해 모델을 검증하였다.

실험 결과

연구 질문

• RQ1 제한된 훈련 세트를 사용하여 인공신경망이 Cu 표면 이동 장벽을 정확히 예측할 수 있는가? 이는 전체 장벽 계산의 필요성을 줄일 수 있는가?
• RQ2 ANN 기반 KMC 모델은 MD 시뮬레이션과 유사한 정확도로 나노클러스터 안정화 및 나노팁 평탄화와 같은 주요 동적 과정을 재현할 수 있는가?
• RQ3 모델은 알려진 {1 1 0} 표면의 거칠기 전이(약 1000 K 근처)를 포함한 열역학적 표면 안정성을 포착할 수 있는가?
• RQ4 특히 접합부에서의 나노와이어 분열을 실험 관측 결과와 비교해 볼 때, 모델의 성능은 어떠한가?
• RQ5 고온에서의 표면 불안정성 예측이 표면 거칠기와 같은 알려진 물리 현상과 일치하는가?

주요 결과

• ANN 예측 장벽을 사용한 KMC 시뮬레이션은 Cu 나노클러스터의 에너지 최소화를 정확히 재현하였으며, MD 및 실험적 경향과 일치하는 형태 안정화를 보였다.
• 모델은 {1 0 0} 및 {1 1 0} 표면에서 나노팁 평탄화 시간을 이전 KMC 모델보다 훨씬 더 정밀하게 예측하였으며, 적합한 尝시 빈도 2.81 × 10¹⁴ s⁻¹를 도출하였다.
• 모델은 {1 1 0} 표면이 약 1000 K 이상에서 불안정해지는 것을 정확히 예측하였으며, 이는 알려진 거칠기 전이 온도(TR ≈ 900–1070 K) 근처에 위치하여 물리적 의미를 지닌다.
• 얇은 ⟨1 1 0⟩ 나노와이어의 분열은 먼저 접합부에서 발생하며, 두 나노와이어 시스템은 약 8 ns 내에 분열하고, 고립된 와이어는 약 250 ns 내에 분열하여 실험 관측 결과와 일치한다.
• 모델은 저지수 표면의 상대적 열역학적 안정성을 포착하였으며, 안정성에 대한 명시적 훈련 없이도 에너지 차이의 잘못된 순서가 아주 소수에 불과하게 예측하였다.
• ANN 모델은 나노스케일 형태 변화의 핵심 역학, 즉 나노팁 평탄화 및 나노와이어 접합부의 실패를 성공적으로 재현하여, 전체 장벽 계산의 대체 수단으로서의 유용성을 입증하였다.