شتاب دهی به شبیه سازی های دینامیک مولکولی در مواد متخلخل از طریق پتانسیل های عصبی عمیق بهینه شده تکاملی

شبیه سازی های دینامیک مولکولی با دقت کوانتومی ابزاری حیاتی برای طراحی مواد متخلخل نوین محسوب می شوند، اما هزینه محاسباتی بالای روش های مبتنی بر نظریه تابعی چگالی کاربرد گسترده آن ها را محدود می سازد. در این کار، یک چارچوب جامع برای شتاب دهی به شبیه سازی های دینامیک مولکولی در چارچوب زئولیتی ایمیدازولاتی ZIF-۹ ارائه شده است که در آن از شبکه های عصبی عمیق به عنوان پتانسیل های جایگزین با دقت کوانتومی استفاده می شود. به منظور بهبود کارایی و پایداری مدل، هایپرپارامترهای شبکه با استفاده از دو الگوریتم تکاملی ژنتیک و بهینه سازی ازدحام ذرات بهینه سازی شدند. نتایج نشان داد که مدل نهایی بهینه ۲ با خطای میانگین مربعی انرژی ۰/۲۰۵ الکترون ولت و ضریب تعیین R^۲=۰.۹۹۵ ، دقتی رقابتی با روش های پیشرفته جهانی از خود نشان می دهد. همچنین، این مدل زمان آموزش را تا ۶۱٪ کاهش داده و سرعت همگرایی را ۴ برابر افزایش می دهد. اعتبار فیزیکی مدل از طریق شبیه سازی انتشار یون های کلرید و سولفات در ZIF-۹ و هم خوانی ضرایب انتشار با داده های تجربی تایید شد. این چارچوب ضمن حفظ دقت کوانتومی، هزینه محاسباتی را به طور چشمگیری کاهش می دهد و می تواند در طراحی الکترولیت های باتری، غشاهای جداسازی یونی و حامل های دارویی متخلخل مورد استفاده قرار گیرد.

کلیدواژه ها:

شبیه سازی دینامیک مولکولی ، پتانسیل های شبکه عصبی عمیق ، بهینه سازی تکاملی ، یادگیری ماشین ، مواد متخلخل.