Propriétés thermiques et de changement de phase des hétérostructures van der Waals par des réseaux de neurones en graphes équivariants

Les simulations de dynamique moléculaire (DM) sont particulièrement adaptées pour étudier les propriétés physiques de matériaux complexes à l’échelle atomique mais nécessitent une description précise de leur surface d’énergie potentielle (SEP). Au cours des dernières années, de nombreux progrès ont été réalisés dans le développement de potentiels interatomiques basés sur de l’apprentissage automatique (ML-IP, machine learning interatomic potentials) et entrainés sur un ensemble de calculs ab initio pour décrire de telles SEP. Récemment, des potentiels utilisant des réseaux de neurones en graphes (GNN) équivariants à des groupes de transformations ont montré une très bonne précision ainsi qu’une efficacité sur la taille de la base de données nécessaire pour l’entrainement en comparaison à d’autres ML-IPs.

L’objectif de cette thèse est de construire des potentiels basés sur des réseaux de neurones en graphes équivariants. Ceux-ci seront utilisés pour réaliser des simulations de DM afin d’étudier les propriétés thermiques et de changement de phases d’hétérostructures van der Waals telles que des super réseaux de matériaux chalcogénures et des empilements de matériaux 2D.

Facebook

Twitter