Amorphes Siliziumdioxid ist ein in der Industrie, der Katalyse und anderen Bereichen menschlichen Handelns weit verbreitetes Material. Die Modellierung von Siliziumdioxidoberflächen ist jedoch schwierig, da zur Erfassung ihrer amorphen Beschaffenheit größere Modellgrößen erforderlich sind, was mit einem erhöhten Rechenaufwand verbunden ist. Darüber hinaus erfordert die Modellierung chemischer Reaktionen auf Siliziumdioxidoberflächen längere Simulationszeiten aufgrund kinetischer Einschränkungen, was den Rechenaufwand weiter erhöht und genaue DFT-Simulationen erschwert, sodass diese auf kleine Oberflächenmodelle beschränkt bleiben. Diese Arbeit befasst sich mit den Einschränkungen bestehender Ansätze zur Durchführung realistischer Simulationen von Siliziumdioxid-Oberflächen, indem ein Datensatz mit auf DFT-Ebene berechneten Siliziumdioxid-Modellen eingeführt wird, der anschließend zum Training eines “Machine-learned Interatomic Potential” (MLIP) verwendet wird. Zu diesem Zweck wurde ein Datensatz erstellt, der Siliziumdioxid-Bulk Strukturen, Siliziumdioxid-Oberflächen und Siliziumdioxid-Clusterstrukturen umfasst. Die ersten Berechnungen wurden unter Verwendung des PBE-Austausch-Korrelationsfunktionals durchgeführt und anschließend mit dem rechenintensiveren meta-GGA-r2SCAN-Funktional verfeinert, um genaue Referenzenergien und atomare Kräfte für das Training des MLIP zu erhalten. Anschließend wurde der resultierende Datensatz verwendet, um das MACE-MatPES-omat-r2SCAN Foundation Model für Simulationen an Siliziumdioxid-Oberflächen zu verfeinern. Es wurden zwei verschiedene Ansätze für das Fine-tuning untersucht: die Multihead-Replay-Fine-tuning und die LoRA-Fine-tuning. Diese Ansätze wurden verwendet, um ein Foundation Model an die spezifischen chemischen Umgebungen auf amorphen Siliziumdioxid-Oberflächen anzupassen und dabei die Vorteile des vortrainierten Modells zu bewahren. Ein weiterer Vorteil besteht darin, dass der derzeitige Fokus auf Siliziumdioxid eine kontrollierte Umgebung für die Entwicklung eines Fine-Tuning-Ansatzes ohne katastrophales Vergessen bietet, der anschließend auf die Modellierung relevanter industrieller Katalysatoren, wie beispielsweise auf Siliziumdioxid geträgerte Metallnanopartikel, ausgeweitet werden kann. Die Stabilität und das Vorhersageverhalten des generierten interatomaren Potenziales wurden anschließend mittels MD-Simulationen untersucht, die an amorphen Siliziumdioxid-Oberflächenstrukturen auf der Grundlage der zuvor in unserer Gruppe entwickelten Modelle durchgeführt wurden. Die Simulationen wurden anhand lokaler Strukturdeskriptoren sowie durch Beobachtung der Entwicklung der Systemenergie und Temperatur analysiert, um zu beurteilen, ob die MLIPs über längere Simulationszeiten hinweg stabile Trajektorien beibehalten und gleichzeitig das typische Verhalten von Siliziumdioxidoberflächen reproduzieren konnten. Die Mehrheit der Simulationen zeigte ein stabiles strukturelles und energetisches Verhalten, was die Eignung des entwickelten Potenziales für die Modellierung amorpher Siliziumdioxid-Oberflächen belegte. Darüber hinaus zeigten mehrere Trajektorien für Siliziumdioxid chemisch relevante Prozesse, darunter Dehydratisierungsereignisse und Oberflächenreorganisation, was die Fähigkeit der generierten MLIP unterstreicht, dynamische Oberflächenumwandlungen zu beschreiben, die mit direkten DFT-Simulationen nur schwer zugänglich sind. Insgesamt zeigt diese Arbeit das Potenzial von Ansätzen des maschinellen Lernens für die Durchführung realistischer Simulationen von Oberflächen aus amorphem Siliziumdioxid auf und bietet einen Rahmen für die Untersuchung von Oberflächenprozessen, die Längen- und Zeitskalen erfordern, die über diejenigen hinausgehen, die mit üblichen First-Principles-Methoden erreichbar sind.
de
Amorphous silica is an extensively used material in industry, catalysis, and other areas of human endeavor. However, it is difficult to model silica surfaces due to the larger model sizes required to capture their amorphous nature and the increased computational load they entail. Furthermore, modelling chemical reactions on silica surfaces requires longer simulation times, due to kinetic limitations further increasing the computational load and making accurate Density Functional Theory (DFT) simulations challenging and limited to small surface models. This thesis addresses the limitations of present approaches for performing realistic simulations of silica surfaces by introducing a dataset of silica calculated at the DFT level, subsequently used to train a machine learning interatomic potential (MLIP). To achieve this, a dataset including silica bulk, silica surfaces, and cluster structures was generated. The initial calculations were performed using the Perdew-Burke-Ernzerhof(PBE) exchange-correlation functional, and subsequently refined using the more computationally demanding meta-GGA r2SCAN functional to obtain accurate reference energies and atomic forces for training the MLIP. Subsequently, the resulting dataset was used to fine-tune the MACE-MatPES-omat-r2SCAN foundation model for silica surface simulations. Two different fine-tuning approaches were investigated: multihead replay finetuning and Low Rank Adaptation (LoRA) fine-tuning. These approaches were used to adapt a general-purpose machine-learning potential to the specific chemical environments present on amorphous silica surfaces while retaining the benefits of the pre-trained model. An added advantage is that the current focus on silica provides a controlled setting for developing a fine-tuning approach without catastrophic forgetting, which can subsequently be extended to model relevant industrial catalysts, such as supported metal nanoparticles on silica. The stability and predictive behaviour of the generated interatomic potentials were subsequently investigated through Molecular Dynamics (MD) simulations performed on amorphous silica surface structures based on the models formerly developed in our group. The simulations were analysed using local structural descriptors and by monitoring the evolution of system energy and temperature, to evaluate whether the machine-learned interatomic potential (MLIP)s could maintain stable trajectories over extended simulation times, while reproducing the typical silica surface behaviour. The majority of simulations exhibited stable structural and energetic behaviour, demonstrating the suitability of the developed potentials for modelling amorphous silica surfaces. Furthermore, several trajectories showed chemically relevant processes for silica, including dehydration events and surface reorganisation, highlighting the capability of the generated MLIP to describe dynamic surface transformations that are difficult to access using direct DFT simulations. Overall, this work demonstrates the potential of machine-learning approaches for enabling realistic simulations of amorphous silica surfaces and provides a framework for studying surface processes that require length and timescales beyond those accessible with conventional first-principles methods.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
