用原子AI为基础的微观镜像与分子动力学和量子模拟的桥梁
摘要：2D和3D材料的近期扫描透射电子显微镜的进展使得大容量高准确性的结构数据的例行生成成为可能，这自然带来了一个挑战：将这些数据作为原子模拟的起始输入。通过这种方式，理论将处理实验中出现的结构，而不是理论上可能的所有原子配置。然而，由于现代模拟和显微镜所能探测到的固有时间尺度以及显微镜和模拟本身的延迟之间极端的差异，这个挑战非常非易事。解决这个问题需要首先搭建仪器数据流与基于物理模拟的环境之间的桥梁，以实现感兴趣区域的选择，并使用物理模拟来探索这些区域。在这里，我们报道了一种机器学习工作流程的发展，它直接将仪器数据流桥接到基于Python的分子动力学和密度泛函理论环境中，使用预先训练的神经网络将成像数据转换为物理描述符。工作流程中确定了确保结构稳定性并补偿数据中普遍存在的观测偏差的途径。该方法被用于一个石墨烯系统，以重建优化几何形状并模拟温度相关的动力学，包括Cr作为吸附原子和石墨烯修复效应。然而，该方法是普适的，可以用于其他材料系统。
作者：Ayana Ghosh, Maxim Ziatdinov, Ondrej Dyck, Bobby Sumpter, and Sergei V. Kalinin
论文ID：2109.04541
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2022-11-08