Предсказание энергии связи по структурным дескрипторам металлических наносплавов
В.С. Мясниченко1, П.В. Матренин2, Н.Ю. Сдобняков1
1 ФГБОУ ВО «Тверской государственный университет»
2 ФГБОУ ВО «Новосибирский государственный технический университет»
DOI: 10.26456/pcascnn/2021.13.495
Оригинальная статья
Аннотация: Обсуждается проблема предсказания энергии связи для тернарных металлических наночастиц и построение моделей обучения на базе структурных дескрипторов. Были построены регрессионные зависимости удельной межатомной энергии связи для тернарной наносистемы Au–Ag–Cu. Использовался ряд из пяти радиальных признаков, зависящих от попарного межатомного расстояния дескрипторов структуры наночастицы. Для более корректной оценки точности была применена кросс-валидация, далее полученные на валидационных частях выборки результаты усреднялись. Полученная модель ограниченно предсказывает значение удельной межатомной энергии связи внутри группы данных для наночастиц одного состава, а для всей выборки средняя по модулю ошибка составляет 14%. При этом модель практически безошибочно определяет состав наночастицы из нескольких вариантов.Наибольшее значение коэффициента детерминации на всей выборке получено с помощью ансамблевого алгоритма случайный лес. Обнаружена отрицательная корреляция между энергией связи наносплава и положением первого пика радиальной функции распределения для атомов меди.
Ключевые слова: машинное обучение, функция радиального распределения, структурный дескриптор, энергия связи, тернарный наносплав
- Мясниченко Владимир Сергеевич – научный сотрудник кафедры общей физики, ФГБОУ ВО «Тверской государственный университет»
- Матренин Павел Викторович – к.т.н., старший преподаватель кафедры «Системы электроснабжения предприятий», ФГБОУ ВО «Новосибирский государственный технический университет»
- Сдобняков Николай Юрьевич – к.ф.-м.н., доцент кафедры общей физики, ФГБОУ ВО «Тверской государственный университет»
Ссылка на статью:
Мясниченко, В.С. Предсказание энергии связи по структурным дескрипторам металлических наносплавов / В.С. Мясниченко, П.В. Матренин, Н.Ю. Сдобняков // Физико-химические аспекты изучения кластеров, наноструктур и наноматериалов. — 2021. — Вып. 13. — С. 495-502. DOI: 10.26456/pcascnn/2021.13.495.
Полный текст: загрузить PDF файл
Библиографический список:
1. Колосов, А.Ю. О закономерностях формирования моно- и биметаллических наночастиц в процессе коалесценции / А.Ю. Колосов, В.С. Мясниченко, С.С. Богданов и др. // Физико-химические аспекты изучения кластеров, наноструктур и наноматериалов. –2018. – Вып. 10. – С. 359-367. DOI: 10.26456/pcascnn/2018.10.359.
2. Мясниченко, В.С. Размерные зависимости коэффициента линейного расширения и модуля упругости моно- и биметаллических наночастиц / В.С. Мясниченко, Н.Ю. Сдобняков, А.Н. Базулев, П.М. Ершов, Е.М. Давыденкова // Физико-химические аспекты изучения кластеров, наноструктур и наноматериалов. – 2020. – Вып. 12. – С. 260-273. DOI: 10.26456/pcascnn/2020.12.260.
3. Myasnichenko, V. Structural instability of gold and bimetallic nanowires using Monte Carlo simulation / V. Myasnichenko, N. Sdobnyakov, L. Kirilov, R. Mikhov, S. Fidanova // In: Recent Advances in Computational Optimization. Studies in Computational Intelligence; ed. by S. Fidanova. – Cham: Springer, 2020. – V. 838. – P. 133-145. DOI: 10.1007/978-3-030-22723-4_9.
4. Sdobnyakov, N.Yu. Simulation of phase transformations in titanium nanoalloy at different cooling rates / N.Yu. Sdobnyakov, V.S. Myasnichenko, С.-H. San et al. // Materials Chemistry and Physics. – 2019. – V. 238. – Art. № 121895. – 9 p. DOI: 10.1016/j.matchemphys.2019.121895.
5. Hart, G.L.W. Machine learning for alloys / G.L.W. Hart, T. Mueller, C. Toher, S. Curtarolo // Nature Reviews Materials. – 2021. – V. 6. – P. 730-755. DOI: 10.1038/s41578-021-00340-w.
6. Deringer, V.L. A general-purpose machine-learning force field for bulk and nanostructured phosphorus / V.L. Deringer, M.A. Caro, G. Csányi // Nature Communications. – 2020. – V. 11. – Art. № 5461. – 11 p. DOI: 10.1038/s41467-020-19168-z.
7. Kart, H.H. Physical properties of Cu nanoparticles: A molecular dynamics study / H.H. Kart, H. Yildirim, S.O. Kart, T. Çağin // Materials Chemistry and Physics. – 2014. – V. 147. – I. 1-2. – P. 204-212. DOI: 10.1016/j.matchemphys.2014.04.030.
8. Qi, W.H. The particle size dependence of cohesive energy of metallic nanoparticles / W.H. Qi, M.P. Wang, G.Y. Xu // Chemical Physics Letters. – 2003. – V. 372. – I. 5-6. – P. 632-634. DOI: 10.1016/S0009- 2614(03)00470-6.
9. Myasnichenko, V.S. Molecular dynamic investigation of size-dependent surface energy of icosahedral copper nanoparticles at different temperature / V.S. Myasnichenko, M. Razavi, M. Outokesh, N.Yu. Sdobnyakov, M.D. Starostenkov // Letters on materials. – 2016. – V. 6. – I. 4. – P. 266-270. DOI: 10.22226/2410-3535-2016- 4-266-270.
10. Самсонов, В.М. О размерной зависимости поверхностной энергии и поверхностного натяжения металлических наночастиц / В.М. Самсонов, А.А. Чернышова, Н.Ю. Сдобняков // Известия РАН. Серия Физическая. – 2016. – Т. 80. – № 6. – C. 768-771. DOI: 10.7868/S0367676516060296 .
11. Chiavazzo, E. Intrinsic map dynamics exploration for uncharted effective free-energy landscapes / E. Chiavazzo, R. Covino, R.R. Coifman et al. // PNAS. – 2017. – V. 114. – I. 28. – P. E5494-E5503. DOI: 10.1073/pnas.1621481114.
12. Musil, F. Machine learning for the structure-energy-property landscapes of molecular crystals / F. Musil, S. De, J. Yang et al. // Chemical Science. – 2018. – V. 9. – I. 5. – P. 1289-1300. DOI: 10.1039/C7SC04665K.
13. Keith, J.A. Combining machine learning and computational chemistry for predictive insights into chemical systems / J.A. Keith, V. Vassilev-Galindo, B. Cheng et al. // Chemical Reviews. – 2021. – V. 121. – I. 16. – P. 9816-9872. DOI: 10.1021/acs.chemrev.1c00107.
14. Pozdnyakov, S.N. Incompleteness of atomic structure representations / S.N. Pozdnyakov, M.J. Willatt, A.P. Bartók et al. // Physical Review Letters. – 2020. – V. 125. – I. 16. – P. 166001-1-166001-6. DOI: 10.1103/PhysRevLett.125.166001.
15. Roncaglia, C. Regression and clustering algorithms for AgCu nanoalloys: from mixing energy predictions to structure recognition / C. Roncaglia, D. Rapettia, R. Ferrando // Physical Chemistry Chemical Physics. – 2021. – V. 23. – I. 40. – P. 23325-23335. DOI: 10.1039/D1CP02143E.
16. Scikit-Learn. Machine learning in Python. – Режим доступа: www.url: https://scikit-learn.org/stable/. – 15.09.2021.