요약본 (Summary):
The paper presents SuperSalt, a machine learning interatomic potential (MLIP) designed to model 11-cation chloride melts, capturing essential physics of molten salts with near-DFT accuracy. The MLIP can predict thermophysical properties such as density, bulk modulus, thermal expansion, and heat capacity for diverse chemical systems. By integrating systems of one, two, and 11 components, SuperSalt offers a universal and efficient approach to modeling molten salts for advanced energy applications. Additionally, the paper discusses how Bayesian optimization combined with SuperSalt can accelerate the discovery of optimal salt compositions with desired properties. This work provides a foundation for future studies that allows easy extensions to more complex systems.
이 논문은 11 개의 양이온 염화물 용융물을 모델링하도록 설계된 기계 학습 간 전위 (MLIP) 인 SuperSalt를 제시하여 접근에 거의 정확성을 가진 용융 염의 필수 물리학을 포착합니다. MLIP는 다양한 화학 시스템의 밀도, 벌크 모듈러스, 열 팽창 및 열 용량과 같은 열 물리학 적 특성을 예측할 수 있습니다. Supersalt는 1, 2 및 11 개의 구성 요소의 시스템을 통합하여 고급 에너지 응용을위한 용융 염을 모델링하는 보편적이고 효율적인 접근 방식을 제공합니다. 또한,이 논문은 수퍼 살트와 결합 된 베이지안 최적화가 원하는 특성으로 최적의 소금 조성물의 발견을 가속화 할 수있는 방법에 대해 논의합니다. 이 작업은보다 복잡한 시스템을 쉽게 확장 할 수있는 미래의 연구를위한 기초를 제공합니다.
Excerpt from PDF:
SuperSalt: Equivariant Neural Network Force Fields for Multicomponent Molten Salts System Chen Shen1*†, Siamak Attarian1†, Yixuan Zhang2, Hongbin Zhang2, Mark Asta3, Izabela Szlufarska1, Dane Morgan1* 1Materials Science and Engineering, University of Wisconsin-Madison, Madison, 53706, Wisconsin, United States. 2Materials Science, Technical University of Darmstadt, Darmstadt, 64287, Hessen, Germany. 3Materials Science and Engineering, University of California, Berkeley, 94720, California, United States. *Corresponding author(s). E-mail(s): cshen89@wisc.edu; ddmorgan@wisc.edu; Contributing authors: sattarian@wisc.edu; yixuan.zhang@tu-darmstadt.de; hzhang@tmm.tu-darmstadt.de; mdasta@berkeley.edu; szlufarska@wisc.edu; †These authors contributed equally to this work. Abstract Molten salts are crucial for clean energy applications, yet exploring their ther- mophysical properties across diverse chemical space remains challenging. We present the development of a machine learning interatomic potential (MLIP) called SuperSalt, which targets 11-cation chloride melts and captures the essen- tial physics of molten salts with near-DFT accuracy. Using an efficient workflow that integrates systems of one, two, and 11 components, the SuperSalt potential can accurately predict thermophysical properties such as density, bulk modulus, thermal expansion, and heat capacity. Our model is validated across a broad chemical space, demonstrating excellent transferability. We further illustrate how Bayesian optimization combined with SuperSalt can accelerate the discovery of optimal salt compositions with desired properties. This work provides a foun- dation for future studies that allows easy extensions to more complex systems, such as those containing additional elements. SuperSalt represents a shift towards a more universal, efficient, and accurate modeling of molten salts for advanced energy applications. 1 arXiv:2412.19353v1 [cond-mat.mtrl-sci] 26 Dec 2024 Keywords: Molten Salts, Machine Learning Interatomic Potential, Foundation models, Bayesian optimization 1 Introduction Over the past several decades, atomic-scale simulation has emerged as an indispensable tool for predicting and providing microscopic insights into experimentally observed phenomena in molten salt materials. Numerous scientifically important thermophysical and transport properties of molten salts can be accurately evaluated using molecu- lar dynamics (MD) simulations, in which atomic motion is determined by integrating Newton’s second law of motion. The predictive accuracy of MD simulations is highly dependent on the quality of the underlying potential energy surface (the potential) that determines the forces that act on each atom. Standard physics-based approaches to potentials, such as classical force fields (FFs) [1–4] and quantum mechanics (QM) methods, particularly density functional theory (DFT) [5, 6], have been employed suc- cessfully to model various molten salt systems [7–9]. However, these approaches involve a well-known trade-off between computational cost, accuracy, and generality. Classi- cal FFs, while computationally efficient, often require reparameterization for specific systems or reactions. Conversely, QM-based methods are computationally expensive, limiting their utility for large-scale and long-timescale MD simulations. This trade-off is especially critical for modeling complicated properties, such as viscosities. Thus, MD simulations urgently need a fast, accurate, and broadly applicable reactive potential to enable the reliable prediction of thermophysical salt properties and salt reactions with their environment (e.g., corrosion). Recently, machine learning interatomic potentials (MLIPs) [10] have emerged as a promising alternative to overcome these limitations. MLIPs can achieve near- DFT accuracy while maintaining computational costs close to those of classical FFs, enabling MD simulations with 103–104 …더보기
This paper was uploaded based on materials provided by arXiv.
This paper is an open academic resource, and the original text can be accessed on arXiv.
Source: arXiv – A free repository for scientific and technical researchers.
This paper is provided for academic research purposes, and the original can be downloaded from arXiv.
Visit arXiv to explore more recent papers!
번역 (Translation):
SUPERSALT : 다 성분 용융 소금 시스템 Chen Shen1* †, Siamak Attarian1 †, Yixuan Zhang2, Hongbin Zhang2, Mark Asta3, Izabela Szlufarska1, Dane Morgan1* 1Materials Science 및 Engineering, Madon, Madon, Madon, Madon, Madon, 5370 년, Izabela Szlufarska1, Dane Morgan1* 1Materials Science 및 Engineering의 동료 신경 네트워크 힘 필드. 위스콘신, 미국. 2 MATERIALS DARMSTADT 기술 대학, Darmstadt, 64287, 독일 Hessen. 3 자산 과학 및 공학, 캘리포니아 대학교, 버클리, 94720, 캘리포니아, 미국. *해당 저자. 이메일 : cshen89@wisc.edu; ddmorgan@wisc.edu; 기고자 : sattarian@wisc.edu; yixuan.zhang@tu-darmstadt.de; hzhang@tmm.tu-darmstadt.de; mdasta@berkeley.edu; szlufarska@wisc.edu; †이 저자들은이 작업에 똑같이 기여했습니다. 초록 용융 염은 청정 에너지 응용에 중요하지만 다양한 화학 공간에 걸쳐 생리적 특성을 탐색하는 것은 여전히 어려운 일입니다. 우리는 11 개의 양이온 염화물 용융을 대상으로하고 거의 도난에 가까운 정확도를 갖는 용융 염의 에세트 물리학을 캡처하는 SuperSalt라는 기계 학습 간 전위 (MLIP)의 개발을 제시합니다. 1, 2 및 11 개의 구성 요소의 시스템을 통합하는 효율적인 워크 플로우를 사용하여 SuperSalt 전위는 밀도, 벌크 모듈러스, 열 팽창 및 열 용량과 같은 열 물리학 적 특성을 정확하게 예측할 수 있습니다. 우리의 모델은 넓은 화학 공간에서 검증되어 우수한 전달성을 보여줍니다. 우리는 베이지안 최적화가 SuperSalt와 결합하여 원하는 특성으로 최적의 염 구성의 발견을 가속화 할 수있는 방법을 설명합니다. 이 작업은 추가 요소가 포함 된 것과 같은보다 복잡한 시스템으로 쉽게 확장 할 수있는 향후 연구를위한 유도를 제공합니다. SuperSalt는 고급 에너지 응용을위한 용융 염의보다 보편적이고 효율적이며 정확한 모델링으로 이동하는 것을 나타냅니다. 1 ARXIV : 2412.19353V1 [Cond-Mat.MTRL-SCI] 26 12 월 2024 년 12 월 키워드 : 녹은 소금, 기계 학습 및 기초 모델, 베이지안 최적화 1 소개 지난 수십 년 동안 원자 스케일 시뮬레이션은 예측에 대한 소금에 대한 피해성 도구를 제공하는 데 없어서는 불가피한 도구를 제공했습니다. 용융 염의 수많은 과학적으로 중요한 열 물리학 및 수송 특성은 분자 역학 (MD) 시뮬레이션을 사용하여 정확하게 평가 될 수 있으며, 여기서 뉴턴의 제 2 법칙을 통합하여 원자 운동을 결정합니다. MD 시뮬레이션의 예측 정확도는 각 원자에 작용하는 힘을 결정하는 기본 전위 에너지 표면 (잠재력)의 품질에 크게 의존합니다. 고전력 필드 (FFS) [1-4] 및 양자 역학 (QM) 방법, 특히 밀도 기능 이론 (DFT) [5, 6]과 같은 전위에 대한 표준 물리 기반 접근법은 다양한 용융 소금 시스템을 모델링하기 위해 성공적으로 사용되었습니다 [7-9]. 그러나 이러한 접근 방식은 계산 비용, 정확성 및 일반성 사이의 잘 알려진 트레이드 오프를 포함합니다. 계산적으로 효율적이지만 특정 시스템이나 반응에 대한 재가포화가 필요합니다. 반대로, QM 기반 방법은 계산 비용이 비싸므로 대규모 및 장기 규모의 MD 시뮬레이션에 대한 유틸리티를 제한합니다. 이 트레이드 오프는 특히 점성과 같은 복잡한 특성을 모델링하는 데 중요합니다. 따라서, MD 시뮬레이션은 열리 물리학 적 염 특성 및 그들의 환경과의 염 반응의 신뢰할 수있는 예측 (예 : 부식)을 가능하게하기 위해 빠르고 정확하며 광범위하게 적용 가능한 반응성이 필요합니다. 최근에, 머신 러닝 intermic intertomic potentials (MLIP) [10]는 이러한 한계를 극복하기위한 유망한 대안으로 등장했다. MLIP는 고전적인 FFS의 계산 비용에 가까운 계산 비용을 유지하면서 거의 DFT 정확도를 달성 할 수있어 103–104로 MD 시뮬레이션이 가능합니다.
이 논문은 arXiv에서 제공되는 자료를 바탕으로 업로드되었습니다.
본 논문은 공개된 학술 자료이며, 원문은 arXiv에서 확인할 수 있습니다.
출처: arXiv – 과학 및 기술 연구자들을 위한 무료 논문 저장소.
이 논문은 학술 연구 목적으로 제공되며, 원문은 arXiv에서 다운로드할 수 있습니다.
더 많은 최신 논문을 보려면 arXiv를 방문하세요!
