[논문 리뷰] Deep-learning interatomic potential for irradiation damage simulations in MoS2 with ab initial accuracy

Hao Wang, Xun Guo외 1명|arXiv (Cornell University)|2020. 10. 19.

Ion-surface interactions and analysis참고 문헌 16인용 수 4

한 줄 요약

이 논문은 단층 MoS₂에 대한 딥러닝 원자간 위치 에너지(이하 DP-Tab)를 제안하며, 고에너지 이온 조사 손상 시뮬레이션에서 아비-아이티 정확도를 달성한다. 전체전자 계산, 활성 학습, 하이브리드 딥러닝 모델을 융합함으로써, 근처 평형 상태 성질을 정확히 예측하고, 이온 조사에 의한 나노포어 형성을 재현한다. 실험적으로 500 keV Au⁺ 이온을 사용한 실험 결과와 일치시키며, 2 nm 이상의 직경을 가진 단일 이온에 의한 나노포어 형성도 정확히 재현한다.

ABSTRACT

Potentials that could accurately describe the irradiation damage processes are highly desired to figure out the atomic-level response of various newly-discovered materials under irradiation environments. In this work, we introduce a deep-learning interatomic potential for monolayer MoS2 by combining all-electron calculations, an active-learning sampling method and a hybrid deep-learning model. This potential could not only give an overall good performance on the predictions of near-equilibrium material properties including lattice constants, elastic coefficients, energy stress curves, phonon spectra, defect formation energy and displacement threshold, but also reproduce the ab initial irradiation damage processes with high quality. Further irradiation simulations indicate that one single highenergy ion could generate a large nanopore with a diameter of more than 2 nm, or a series of multiple nanopores, which is qualitatively verified by the subsequent 500 keV Au+ ion irradiation experiments. This work provides a promising and feasible approach to simulate irradiation effects in enormous newly-discovered materials with unprecedented accuracy.

연구 동기 및 목표

• 단층 MoS₂와 같은 2D 물질에서 이온 조사 손상 시뮬레이션을 위한 매우 정확한 원자간 위치 에너지 모델 개발
• 기존의 분석적 위치 에너지 모델이 다체 상호작용을 정확히 기술하지 못해 복잡한 이온 조사 과정을 포착하지 못하는 한계를 극복
• 평형 성질과 동적 이온 조사 캐스케이드를 모두 아비-아이티 수준의 정확도로 예측할 수 있도록 함
• 고에너지 이온 조사 조건에서 결함 형성, 특히 나노포어 생성을 신뢰성 있게 시뮬레이션 가능하게 함
• 특히 단일 이온 조사를 통한 대규모 또는 다중 나노포어 형성과 같은 실험 결과와의 일치를 검증

제안 방법

• 학습을 위한 고정밀 기준 데이터 확보를 위해 전체전자 밀도함수이론(DFT) 계산을 수행
• 가장 정보가 많은 원자 구조를 반복적으로 선택함으로써 데이터 효율성을 높이는 활성 학습 샘플링 전략 적용
• 단거리 반발 상호작용과 장거리 다체 효과를 동시에 기술하기 위해 반발 테이블 위치 에너지와 딥 뉴럴 네트워크를 융합한 하이브리드 딥러닝 모델 개발
• 다양한 구조, 특히 결함이 있는 구조와 비틀림 상태를 포함한 구성에서 에너지, 힘, 응력 오차를 최소화하는 손실 함수를 사용해 모델 학습
• 격자 상수, 탄성 계수, 격자 진동 스펙트럼, 결함 생성 에너지, 이송 임계 에너지 등 DFT 계산 결과와의 비교를 통해 위치 에너지 검증
• 학습된 위치 에너지를 사용해 500 keV Au⁺ 이온을 이용한 대규모 분자 동역학 시뮬레이션 수행

실험 결과

연구 질문

• RQ1 딥러닝 원자간 위치 에너지 모델이 단층 MoS₂의 평형 및 비평형 성질을 아비-아이티 수준의 정밀도로 예측할 수 있는가?
• RQ2 이온 조사 손상의 복잡한 동역학, 예를 들어 충돌 캐스케이드와 결함 형성 과정을 어느 정도 정확히 재현할 수 있는가?
• RQ3 단일 고에너지 이온 조사를 통한 시뮬레이션된 나노포어 형성 결과가 크기 및 형태 측면에서 실험 관측과 일치하는가?
• RQ4 지속적인 가열과 급속한 재결정화와 같은 극한 조건에서, 딥러닝 위치 에너지 모델은 전통적인 분석적 위치 에너지 모델보다 성능이 뛰어나게 되는가?
• RQ5 이러한 고정밀도 위치 에너지 모델을 사용해 대규모 및 장시간 스케일의 이온 조사 시뮬레이션을 수행하는 데 있어 계산적 실현 가능성은 어떠한가?

주요 결과

• DP-Tab 위치 에너지 모델은 격자 상수, 탄성 계수, 에너지-응력 곡선, 격자 진동 스펙트럼, 결함 생성 에너지, 이송 임계 에너지 예측에서 아비-아이티 수준의 정확도 확보
• 충돌 캐스케이드와 결함 진화 과정을 고정밀도로 재현함으로써 이온 조사 손상 과정을 성공적으로 재현
• 단일 500 keV Au⁺ 이온 조사를 통한 시뮬레이션 결과, 직경 2 nm 이상인 단일 나노포어 또는 다중 나노포어 형성이 예측되며, 실험 관측 결과와 정성적으로 일치
• 결함 생성 에너지 및 이송 임계 에너지 예측 결과가 DFT 기준과 양호한 일치를 보이며, 기존의 고전적 위치 에너지 모델에서 흔히 발생하는 과소 또는 과대 예측을 피함
• GPU에서 CPU 대비 30~50배 빠른 실행 속도를 보이며, SNAP 모델과 유사한 성능 확보 → 대규모 시뮬레이션의 실현 가능성 입증
• TPU 또는 NPU를 활용한 향후 최적화를 통해, 고전적 분석적 위치 에너지 모델을 능가하는 빠른 처리 속도를 유지하면서도 아비-아이티 정밀도를 유지를 기대할 수 있음