用户工具

站点工具


adf:m3gnet-up-2022forcoh

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

后一修订版
前一修订版
adf:m3gnet-up-2022forcoh [2023/09/28 20:07] – 创建 liu.junadf:m3gnet-up-2022forcoh [2024/01/10 14:41] (当前版本) – [使用机器学习力场 M3GNe-UP-2022 计算内聚能] liu.jun
行 1: 行 1:
-======使用 M3GNe-UP-2022 计算内聚能======+======使用机器学习力场 M3GNe-UP-2022 计算内聚能======
  
 加利福利亚大学圣迭亚戈分校 Chi Chen 等2022年发表了一个适用于元素周期表绝大部分元素,甚至部分镧系、锕系元素的通用型机器学习力场(A universal graph deep learning interatomic potential for the periodic table, Nature Computational Science, 2022, volume 2, pages718–728)。 加利福利亚大学圣迭亚戈分校 Chi Chen 等2022年发表了一个适用于元素周期表绝大部分元素,甚至部分镧系、锕系元素的通用型机器学习力场(A universal graph deep learning interatomic potential for the periodic table, Nature Computational Science, 2022, volume 2, pages718–728)。
行 5: 行 5:
 这一种基于具有三体相互作用的图神经网络(M3GNet)的通用型原子间相互作用势,由过去十年 Materials Project 的庞大结构弛豫数据库训练得到,在不同化学空间的材料结构弛豫、动力学模拟和性能预测方面有着广泛的应用。根据该力场的能量计算筛选,从 Materials Project 的3100万个假设晶体结构中,筛选出约180万种材料,被鉴定为稳定结果材料,其中能量最低的 1578 种材料,通过密度泛函理论计算证明稳定性。 这一种基于具有三体相互作用的图神经网络(M3GNet)的通用型原子间相互作用势,由过去十年 Materials Project 的庞大结构弛豫数据库训练得到,在不同化学空间的材料结构弛豫、动力学模拟和性能预测方面有着广泛的应用。根据该力场的能量计算筛选,从 Materials Project 的3100万个假设晶体结构中,筛选出约180万种材料,被鉴定为稳定结果材料,其中能量最低的 1578 种材料,通过密度泛函理论计算证明稳定性。
  
-AMS材料化学计算平台2023年集成了这个力场,这里我们以固体萘的内聚能计算为例,展示该力场的结果精度,M3GNet 还适用于金属和金属氧化物等无机晶体。+AMS材料化学计算平台2023年集成了这个力场,这里我们以固体萘的内聚能计算为例,展示该力场的结果精度,M3GNet 还适用于金属和金属氧化物等无机晶体。**M3GNet机器学习势,支持GPU加速**,安装该势函数的时候,就需要选择相应的版本(当然前提是机器本身有用于GPU计算的显卡)。安装过程参考:[[adf:installofmlp]] 
 + 
 +从该力场的训练集(都是平衡结构,而不包含化学反应的中间结构),可以看出该力场对平衡态结构、能量的可靠性很高,但对化学反应模拟的可靠性则有待验证
  
 要计算固体萘的内聚能,需要计算: 要计算固体萘的内聚能,需要计算:
行 21: 行 23:
   * File → Import Coordinates(System) 选择 naphthalene_gas.xyz   * File → Import Coordinates(System) 选择 naphthalene_gas.xyz
  
- +{{ :adf:m3gnet001.png?650 }}
  
 由于是分子晶体,因此分子间的范德华相互作用非常重要,因此要添加 D3(BJ) 色散校正。Details → Expert AMS,勾选 Enable → Yes选项: 由于是分子晶体,因此分子间的范德华相互作用非常重要,因此要添加 D3(BJ) 色散校正。Details → Expert AMS,勾选 Enable → Yes选项:
  
 +{{ :adf:m3gnet002.png?450 }}
  
 如果您有支持 CUDA 的 GPU,则可以转到 Details → Technical 面板并将Device 设置为 cuda:0。不过,对于像萘这样的小体系,在 GPU 上运行并不能得到显著的加速(实际上,考虑 D3 色散计算的计算成本与原始 M3GNet 计算的计算成本大致相同) 如果您有支持 CUDA 的 GPU,则可以转到 Details → Technical 面板并将Device 设置为 cuda:0。不过,对于像萘这样的小体系,在 GPU 上运行并不能得到显著的加速(实际上,考虑 D3 色散计算的计算成本与原始 M3GNet 计算的计算成本大致相同)
  
 +{{ :adf:m3gnet003.png?450 }}
  
 然后保存并运行作业: 然后保存并运行作业:
行 39: 行 40:
 ====2,结晶萘计算==== ====2,结晶萘计算====
  
 +与气相计算完全相同地设置,只是导入结构为结晶萘结构:naphthalene_crystal.xyz,并在 Details → Geometry Optimization 面板上,勾选 Optimize lattice → Yes,即晶格常数也需要优化一下。
  
-        与气相计算完全相同地设置,只是导入结构为结晶萘结构:naphthalene_crystal.xyz,并在 Details → Geometry Optimization 面板上,勾选 Optimize lattice → Yes,即晶格常数也需要优化一下。 +{{ :adf:m3gnet004.png?650 }}
- +
- +
  
 确保 D3Dispersion 的设置与之前一样。使用新名称保存并运行作业: 确保 D3Dispersion 的设置与之前一样。使用新名称保存并运行作业:
行 52: 行 51:
  
 ====3,晶格优化结果==== ====3,晶格优化结果====
- 
  
 获得优化晶格参数的最简单方法是生成电子表格报告: 获得优化晶格参数的最简单方法是生成电子表格报告:
行 58: 行 56:
 在 AMSjobs 中选择已完成的作业,Tools → Build Spreadsheet,优化后的单元长度和角度显示在左侧。 在 AMSjobs 中选择已完成的作业,Tools → Build Spreadsheet,优化后的单元长度和角度显示在左侧。
  
 +{{ :adf:m3gnet005.png?350 }}
  
 您还可以在 SCM → Movie 中查看优化后的结构。 您还可以在 SCM → Movie 中查看优化后的结构。
行 65: 行 63:
 从气相和晶体计算能量,可以从上面的电子表格中看到,也可以通过 SCM → Output向下滚动 *.out 文件到末尾看到。 从气相和晶体计算能量,可以从上面的电子表格中看到,也可以通过 SCM → Output向下滚动 *.out 文件到末尾看到。
  
-得到 EGas = -4.41213477 Hatree 和 ECrystal = -8.89238031 Hatree,从而得到内聚能 Ecoh = 0.03406 Hatree = 89 kJ/mol。+得到 E$_{Gas}$ = -4.41213477 Hatree 和 E$_{Crystal}$= -8.89238031 Hatree,从而得到内聚能 E$_{coh}$ = 0.03406 Hatree = 89 kJ/mol。
  
 这与 Al-Saidi 等人(WA Al-Saidi,VK Voora,KD Joradan。DOI:10.1021/ct200618b)报告的 PBE-TS 数字(TS 是一种不同类型的色散校正)相比较。 这与 Al-Saidi 等人(WA Al-Saidi,VK Voora,KD Joradan。DOI:10.1021/ct200618b)报告的 PBE-TS 数字(TS 是一种不同类型的色散校正)相比较。
 +
 +{{ :adf:m3gnet999.png?350 }}
adf/m3gnet-up-2022forcoh.1695902846.txt.gz · 最后更改: 2023/09/28 20:07 由 liu.jun

© 2014-2022 费米科技(京ICP备14023855号