Liquid–Crystal Structure Inheritance in Machine Learning Potentials for Network-Forming Systems

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

It has been studied whether machine learning interatomic potentials parameterized with only disordered configurations corresponding to liquid can describe the properties of crystalline phases and predict their structure. The study has been performed for a network-forming system SiO2, which has numerous polymorphic phases significantly different in structure and density. Using only high-temperature disordered configurations, a machine learning interatomic potential based on artificial neural networks (DeePMD model) has been parameterized. The potential reproduces well ab initio dependences of the energy on the volume and the vibrational density of states for all considered tetra- and octahedral crystalline phases of SiO2. Furthermore, the combination of the evolutionary algorithm and the developed DeePMD potential has made it possible to reproduce the really observed crystalline structures of SiO2. Such a good liquid–crystal portability of the machine learning interatomic potential opens prospects for the simulation of the structure and properties of new systems for which experimental information on crystalline phases is absent.

About the authors

I. A Balyakin

Research and Education Center Nanomaterials and Nanotechnologies, Ural Federal University; Institute of Metallurgy, Ural Branch, Russian Academy of Sciences

Email: i.a.balyakin@gmail.com
620002, Yekaterinburg, Russia; 620016, Yekaterinburg, Russia

R. E Ryl'tsev

Institute of Metallurgy, Ural Branch, Russian Academy of Sciences

Email: rrylcev@mail.ru
620016, Yekaterinburg, Russia

N. M Shchelkachev

Institute of Metallurgy, Ural Branch, Russian Academy of Sciences; Institute for High Pressure Physics, Russian Academy of Sciences

Author for correspondence.
Email: n.chtchelkatchev@gmail.com
620016, Yekaterinburg, Russia; 108840, Troitsk, Moscow, Russia

References

  1. Y. Mishin, Acta Mater. 214, 116980 (2021).
  2. T. Wen, L. Zhang, H. Wang, E. Weinan, and D. J. Srolovitz, Materials Futures 1, 022601 (2022).
  3. V. L. Deringer, M. A. Caro, and G. Cs'anyi, Adv. Mater. 31, 1902765 (2019).
  4. F. Ercolessi and J. B. Adams, Europhys. Lett. 26, 583 (1994).
  5. P. Brommer, A. Kiselev, D. Schopf, P. Beck, J. Roth, and H. R. Trebin, Model. Simul. Mat. Sci. Eng. 23, 074002 (2015).
  6. С. В. Стариков, В. В. Стегайлов, Г. Э. Норман et al. (Collaboration), Письма в ЖЭТФ 93, 719 (2011).
  7. Г. Э. Норман, С. В. Стариков, В. В. Стегайлов, ЖЭТФ 141, 9102012 (2012).
  8. D. Marchand, A. Jain, A. Glensk, and W. A. Curtin, Phys. Rev. Materials 4, 103601 (2020).
  9. R. E. Ryltsev and N. M. Chtchelkatchev, J. Mol. Liq. 349, 118181 (2022).
  10. I. A. Balyakin, S. V. Rempel, R. E. Ryltsev, and A. A. Rempel, Phys. Rev. E. 102, 052125 (2020).
  11. E. Oren, D. Kartoon, and G. Makov, J. Chem. Phys. 157, 014502 (2022).
  12. B. Monserrat, J. G. Brandenburg, E. A. Engel, and B. Cheng, Nat.Commun. 11, 1 (2020).
  13. C. Hong, J. M. Choi, W. Jeong, S. Kang, S. Ju, K. Lee, J. Jung, Y. Youn, and S. Han, Phys. Rev. B 102, 224104 (2020).
  14. W. Li and Y. Ando, Phys. Chem. Chem. Phys. 20, 30006 (2018).
  15. L. C. Erhard, J. Rohrer, K. Albe, and V. L. Deringer, npj Computational Materials 8, 1 (2022).
  16. J. You, C. Wang, S. L. Shang, Y. Gao, H. Ju, H. Ning, Y. Wang, H.-Y. Wang, and Z. K. Liu, 10.1016/j.jma.2021.11.024.
  17. R. E. Ryltsev and N. M. Chtchelkatchev, J. Phys.: Condens. Matter 34, 404002 (2022).
  18. V. A. Levashov, R. E. Ryltsev, and N. M. Chtchelkatchev, Physica A 585, 126387 (2022).
  19. L. V. Kamaeva, R. E. Ryltsev, V. I. Lad'yanov, and N. M. Chtchelkatchev, J. Mol. Liq. 299, 112207 (2020).
  20. H. Wang, L. Zhang, and J. Han, Comput. Phys.Commun. 228, 178 (2018).
  21. E. V. Podryabinki and A. V. Shapeev, Comput. Mater. Sci. 140, 171 (2017).
  22. Y. Zhang, H. Wang, W. Chen, J. Zeng, L. Zhang, H. Wang, and E. Weinan, Comput. Phys.Commun. 253, 107206 (2020).
  23. A. P. Thompson, H. M. Aktulga, R. Berger, D. S. Bolintineanu, W. M. Brown, P. S. Crozier, P. J. in 't Veld, A. Kohlmeyer, S. G. Moore, T. D. Nguyen, R. Shan, M. J. Stevens, J. Tranchida, C. Trott, and S. J. Plimpton, Comput. Phys.Commun. 271, 108171 (2022).
  24. G. Kresse and J. Furthmuller, Phys. Rev. B 54, 11169 (1996).
  25. G. Kresse and D. Joubert, Phys. Rev. B 59, 1758 (1999)
  26. A. R. Oganov and C. W. Glass, J. Chem. Phys. 124, 244704 (2006).
  27. A. R. Oganov, A. O. Lyakhov, and M. Valle, Acc. Chem. Res. 44, 227 (2011).
  28. A. O. Lyakhov, A. R. Oganov, H. T. Stokes, AND Q. Zhu, Comput. Phys.Commun. 184, 1172 (2013).
  29. A. Lahti, R. O¨ stermark, and K. Kokko, Comput. Mater. Sci., 210, 111011 (2022).

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2023 Российская академия наук

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».