孙志梅   王冠杰    李开旗      周健

北京航空航天大学材料科学与工程学院， 北京市海淀区学院路37号
北京航空航天大学集成电路科学与工程学院， 北京市海淀区学院路37号

经典大规模分子动力学常被用来模拟近似真实体系的服役性能， 但其模拟精度比第一性原理低且缺乏不同元素的精确的原子间相互作用势。传统生成势函数的方法需要耗时、复杂的经验参数拟合， 且获得的势函数不具有拓展性， 仅适用于特定的体系。 随着计算机技术和机器学习的快速发展， 将第一 性原理高通屈计算、 材料数据库、 机器学习算法相结合， 生成具有第一性原理精度的适用于经典大规模分子动力学模拟的机器学习势函数成为研究热点。 本报告将介绍我们基于 ALI<EMIE平台自主开发的多描述符耦合的图卷积神经网络势函数构建方法PotentialMind。 利用PotentialMind我们构建了适用于 1 2 个不同配比的Sb-Te二元柜变存储材料的势函数模型，并在包含200原子、1000原子和 1 0000原子的体系中获得了成功应用。 该模型在测试集中， 原子能最和力的精度分别为4.97meV和76.25 meV / A, 且计算效率比第一性原理分子动力学(AIMD)有显著提升。PotentialMind 方法通过多描述符耦合、 图卷积神经网络与深度卷积神经网络相结合等方法提升了机器学习势函数的预测精度， 进一步通过迁移学习可将Sb-Te二元势函数快速应用到其他材料休系， 从而实现更大时空尺度的多尺度模拟。
关键词：机器学习势函数；相变存储材料；晶化模拟；ALI<EMIE;

参考文献：

[1] G.J. Wang et al, PotentialMind: Graph Convolutional Machine Learning Potential for Sb-Te Binary Compounds of Multiple Stoichiometries. J. Phys. Chem. C. (2023).

[2] K.Q. Li et al, Realizing large-scale crystallization simulation in Sb-Te binary compounds by machine learning potential. To be submitted.