شتابدهی به شبیهسازیهای دینامیک مولکولی در مواد متخلخل از طریق پتانسیلهای عصبی عمیق بهینهشده تکاملی
نویسندگان
1 گروه فیزیک، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران.
doi
10.71508/CRN.2025.140407141220256چکیده
شبیهسازیهای دینامیک مولکولی با دقت کوانتومی ابزاری حیاتی برای طراحی مواد متخلخل نوین محسوب میشوند، اما هزینه محاسباتی بالای روشهای مبتنی بر نظریه تابعی چگالی کاربرد گسترده آنها را محدود میسازد. در این کار، یک چارچوب جامع برای شتابدهی به شبیهسازیهای دینامیک مولکولی در چارچوب زئولیتی ایمیدازولاتی ZIF-9 ارائه شده است که در آن از شبکههای عصبی عمیق بهعنوان پتانسیلهای جایگزین با دقت کوانتومی استفاده میشود. بهمنظور بهبود کارایی و پایداری مدل، هایپرپارامترهای شبکه با استفاده از دو الگوریتم تکاملی ژنتیک و بهینهسازی ازدحام ذرات بهینهسازی شدند. نتایج نشان داد که مدل نهایی بهینه 2 با خطای میانگین مربعی انرژی 0/205 الکترونولت و ضریب تعیین R 2 =0.995 ، دقتی رقابتی با روشهای پیشرفته جهانی از خود نشان میدهد. همچنین، این مدل زمان آموزش را تا ۶۱٪ کاهش داده و سرعت همگرایی را ۴ برابر افزایش میدهد. اعتبار فیزیکی مدل از طریق شبیهسازی انتشار یونهای کلرید و سولفات در ZIF-9 و همخوانی ضرایب انتشار با دادههای تجربی تأیید شد. این چارچوب ضمن حفظ دقت کوانتومی، هزینه محاسباتی را بهطور چشمگیری کاهش میدهد و میتواند در طراحی الکترولیتهای باتری، غشاهای جداسازی یونی و حاملهای دارویی متخلخل مورد استفاده قرار گیرد.