Predicción de la hipersuperficie de energía de una dada estructura cristalina usando redes neuronales

G. I. PAGOLA; J. C. FACELLI; P. E. GAZTAÑAGA; A. M. ORENDT; M. B. FERRARO

Córdoba

Congreso; 106º Reunión Nacional de la Asociación Física Argentina (Segunda RAFA Webinar); 2021

Asociación Física Argentina

Nuestro grupo trabaja en la predicción de estructuras de cristales moleculares usando un código propio basado en algoritmos genéticos, Modified Genetic Algorithms for Crystals (MGAC), en el cual, las optimizaciones locales de las estructuras se realizan a nivel Density Functional Theory (DFT) empleando el código Quantum Espresso (QE). [1] Dado que estos cálculos insumen mucho tiempo de cómputo, estamos diseñando la implementación una red neuronal para obtener los valores de energía del sistema, en forma similar a la previamente reportada por Behler y Parrinello, donde la energía del sistema se obtiene como la suma de las energías de cada uno de los átomos que lo componen. [2] Esta red se desarrolló utilizando el paquete Tensor Flow. [3] Las redes realizan un aprendizaje supervisado siendo alimentadas en la entrada con los descriptores de la estructura y minimizando el error cuadrático medio entre la energía predicha y la obtenida en cálculos de QE.La selección del conjunto de parámetros de entrada de la red neuronal (descriptores) que permitan representar lo mejor posible a la estructura cristalina resulta ser una cuestión crucial. Dichos descriptores deben ser invariantes desde el punto de vista traslacional y rotacional y no depender de la elección (relativamente arbitraria) de la celda unidad empleada y además deben permitir describir cristales de cualquier grupo cristalográfico, que contengan, por ejemplo, distintos números de moléculas en la cela unidad, distintas operaciones de simetría, etc. Por último, los descriptores deben ser lo suficientemente versátiles para poder representar unívocamente a cada cristal. En nuestro caso, hemos comenzado con descriptores sugeridos en la literatura. [4]La red neuronal busca obtener la hipersuperficie de energía en función de los descriptores que representan al cristal molecular y obtener sus mínimos con un nivel de precisión comparable con el propio QE, evitando ese cálculo costoso. Para poder construir la hipersuperficie mencionada, se utilizan las coordenadas cristalinas y las energías de todos los pasos intermedios del proceso de convergencia de QE y no sólo las del cristal optimizado.En este trabajo se presentan un conjunto de resultados preliminares del entrenamiento de redes neuronales con distintas arquitecturas y diferentes descriptores, empleando como sistema molecular de testeo al metanol. Se ha elegido este sistema por ser pequeño y de interés en la bibliografía [5].Referencias:[1] www.quantum-espresso.org[2] Behler, M. Parrinello, Phys. Rev. Lett. 98, 146401 (2007).[3] www.tensorflow.org[4] P. Geiger, and C. Dellago, J. Chem. Phys. 139, 164105 (2013); J. S. Smith, O. Isayev, and A. E.Roitberg, Chem. Sci. 8, 3192 (2017).[5] Tzu-Jen Lin, Cheng-Rong Hsing, Ching-Ming Wei, and Jer-Lai Kuo, Phys. Chem. Chem. Phys. 18,2736 (2016).