Desenvolvimento de potenciais interatômicos baseados em aprendizado de máquina aplicados a nanofilamentos de carbono

Abstract

Nanofilamentos de carbono são nanomateriais unidimensionais constituídos por carbono e hidrogênio, que vêm ganhando muita notoriedade devido às suas excelentes propriedades mecânicas e potenciais aplicações tecnológicas. Trabalhos teóricocomputacionais, utilizando simulações de dinâmica molecular e realizados com potenciais interatômicos clássicos, têm falhado quantitativamente na tentativa de predizer tais propriedades para a diversidade de estruturas possíveis para esta classe de materiais. O objetivo deste trabalho é construir um potencial interatômico baseado em redes neurais, especializado na descrição das interações presentes em nanofilamentos de carbono. Para isso, foi gerada uma base de dados contendo várias estruturas teóricas para nanofilamentos, cujas posições atômicas foram geradas com o potencial reativo ReaxFF. As forças e energias correspondentes a cada configuração atômica gerada foram, posteriormente, calculadas com métodos de química quântica e utilizadas para o treinamento do modelo. O potencial interatômico baseado em redes neurais foi testado em simulações de deformação uniaxial, nas quais foi possível capturar o comportamento mecânico dos nanofilamentos e mensurar algumas propriedades. O potencial desenvolvido levou à obtenção de bons resultados para o módulo de Young e curvas de tensão-deformação de nanofilamentos com variadas estruturas e morfologias, com qualidade superior à potenciais que vêm sendo tradicionalmente utilizados na literatura, porém ainda com dificuldade de predizer propriedades para nanofilamentos com estruturas mais realísticas e complexas em temperaturas elevadas. Algumas melhorias ainda precisam ser feitas na composição da base de dados e em alguns hiperparâmetros do potencial para aprimorar os resultados de forma quantitativa.

Carbon nanothreads are one-dimensional carbon nanomaterials which have gained notoriety due to their excellent mechanical properties and potential technological applications. Theoretical-computational studies using molecular dynamics simulations, carried-out with traditional classical interatomic potentials (AIREBO, ReaxFF) have failed quantitatively in the attempt to predict such properties for the diversity of possible structures for this class of materials. The objective of this work is to build an interatomic potential based on neural networks (NNP) specialized in describing the interactions present in carbon nanothreads. Initially, a database containing several theoretical structural models was generated, whose atomic positions were generated using the reactive potential ReaxFF. The forces and energies corresponding to each generated atomic configuration were subsequently calculated using quantum chemistry methods and used to train the model. The NNP was tested in uniaxial deformation simulations, where it was able to capture the mechanical behavior of nanothreads and to measure some properties. The developed potential led to the obtaining of good results to Young’s modulus and stress-strain curves of nanothreads with varied structures and morphologies, displaying superior quality compared to potentials traditionally used in the literature, however, it still struggles to predict properties for nanothreads with more realistic and complex structures at higher temperatures. Some improvements are still needed in the composition of the database and in certain potential hyperparameters to enhance the results quantitatively.