Development and application of a high-dimensional neural network potential for boron carbide
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract A high-dimensional neural network potential (HDNNP) is developed to accurately model the potential energy surface of boron carbide. The HDNNP is trained on an extensive dataset of structures generated using a Monte Carlo algorithm, covering a wide range of stoichiometries and structural configurations. Density functional theory (DFT) calculations provided energy and atomic force data, which were encoded using atom-centered symmetry functions to capture local atomic environments. The resulting HDNNP exhibits exceptional predictive performance, accurately estimating energies and forces across diverse structural configurations of boron carbide. The model effectively captures essential structural, energetic, and mechanical properties, including elastic behavior and the influence of stoichiometry on stability. The HDNNP development followed an iterative refinement strategy, in which the initial training set was systematically expanded to 2931 structures by incorporating finite-temperature AIMD snapshots at 300 K, 600 K, and 1000 K, as well as extrapolative configurations from MD simulations and defect-containing cells. This approach resulted in an HDNNP model that is numerically stable and physically consistent up to 500 K, with only minor drift observed at 600 K. The HDNNP achieves exceptional accuracy in predicting energies, forces, and mechanical properties across temperatures, reproducing Young’s modulus values of 416 GPa at 10 K and <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:mn>420</mml:mn> <mml:mo>±</mml:mo> <mml:mn>20</mml:mn> </mml:mrow> </mml:math> GPa at 300 K, in close agreement with DFT and experimental ranges. The predicted ultimate tensile strength of 43 GPa at a failure strain of 0.14 at 300 K is consistent with atomistic simulations (40.23 GPa, strain 0.12). Comparative MD simulations show that the HDNNP outperforms Tersoff and ReaxFF in both accuracy and computational efficiency, enabling timesteps up to an order of magnitude larger, achieving 43% faster performance than Tersoff and 79% faster than ReaxFF. These results highlight the HDNNP as a robust and efficient tool for simulating boron carbide across a range of temperatures and deformation conditions, offering quantum-level accuracy for large-scale atomistic modeling in extreme environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle