Stress und Wärmefluss durch automatische Differenzierung

Maschinenlernende Potenziale bieten recheneffiziente und genaue Annäherungen an die Born-Oppenheimer-Potentialoberfläche. Dieses Potenzial bestimmt viele Materialeigenschaften, und Simulationsmethoden erfordern üblicherweise seine Gradienten, insbesondere Kräfte und Spannung für Molekulardynamik sowie Wärmefluss für thermische Transporteigenschaften. Neu entwickelte Potenziale zeichnen sich durch eine hohe Körperordnung aus und können äquivariante semi-lokale Wechselwirkungen durch Nachrichtenübertragungsmechanismen beinhalten. Aufgrund ihrer komplexen funktionalen Formen sind sie auf automatische Differenzierung (AD) angewiesen, was die Notwendigkeit manueller Implementierungen oder von finite-Differenzschemata zur Bewertung der Gradienten überwindet. Diese Studie diskutiert, wie AD effizient zur Ermittlung von Kräften, Spannung und Wärmefluss für solche Potenziale verwendet werden kann, und bietet eine modellunabhängige Implementierung. Die Methode wird am Lennard-Jones-Potenzial getestet und anschließend verwendet, um die zusammenhaltenden Eigenschaften und die Wärmeleitfähigkeit von Zinnselenid unter Verwendung eines äquivarianten, nachrichtenaustauschenden neuronalen Netzwerkkpotenzials vorherzusagen.