Principal deuterium Hugoniot via Quantum Monte Carlo and $\Delta$-learning
Created by
- Haebom
Category
Empty
저자
Giacomo Tenti, Kousuke Nakano, Andrea Tirelli, Sandro Sorella, Michele Casula
개요
양자 몬테카를로 (QMC) 에너지, 힘, 압력으로 훈련된 머신러닝 퍼텐셜(MLP)을 사용하여 최대 150 GPa의 압력까지 주요 중수소 Hugoniot에 대한 연구를 제시합니다. 특히, 가우시안 커널 회귀와 Δ-학습의 조합을 기반으로 최근 제안된 워크플로를 채택했습니다. 이 방법을 완전히 활용함으로써, 10 kK 이상의 온도에 매우 중요한 유한 온도 전자의 영향을 역학에서 명시적으로 고려했습니다. MLP에 의해 얻어진 Hugoniot 곡선은 특히 60 GPa 이하 영역에서 최근 실험 결과와 잘 일치합니다. 더 높은 압력에서는 Hugoniot 곡선이 실험 결과보다 약간 더 압축성이 높지만, 실험의 불확실성은 일반적으로 압력에 따라 증가합니다. 본 연구는 QMC의 정밀도를 평균장 계산의 계산 비용으로 유지함으로써, 서로 다른 열역학적 조건에서 복잡한 확장 시스템에 대한 신뢰할 수 있는 MLP를 배포하기 위해 QMC를 Δ-학습과 성공적으로 결합할 수 있음을 보여줍니다.
시사점, 한계점
•
시사점: QMC와 Δ-학습의 조합을 통해 다양한 열역학적 조건에서 복잡한 확장 시스템에 대한 신뢰할 수 있는 MLP를 구축할 수 있음을 보여줍니다. 60 GPa 이하 영역에서 실험 결과와 잘 일치하는 중수소 Hugoniot 곡선을 얻었습니다. QMC의 정밀도를 유지하면서 평균장 계산 수준의 계산 비용으로 고정밀 모델을 얻을 수 있습니다.
•
한계점: 60 GPa 이상의 고압 영역에서 실험 결과와의 차이가 존재하며, 이는 실험의 불확실성 증가와 관련이 있을 수 있습니다. 고압 영역에서의 정확도 개선이 필요합니다.
