Väitös teknillisen fysiikan alalta, DI Heikki Muhli

Väitöskirjan nimi: Dispersion interactions in machine learning potentials for large-scale atomistic simulations

Tohtoriopiskelija: Heikki Muhli
Vastaväittäjä: professori Alexander Tkatchenko, University of Luxembourg, Luxemburg
Kustos: professori Tapio Ala-Nissilä, Aalto-yliopiston perustieteiden korkeakoulu, teknillisen fysiikan laitos

Samalla kun koneoppiminen (ML) on hitaasti tehnyt tuloaan jokapäiväiseen elämäämme, ML-malleja on jo käytetty laajasti eri tieteenaloilla tutkimuksen vauhdittamiseen. Materiaalitieteessä ML-mallien suurin hyöty on sen kyky ennustaa uusia tuloksia aiemmin laskennallisesti vaativia kvanttimekaanisia tuloksia hyödyntäen. ML-mallit, joita käytetään näissä laskuissa, välttävät kokonaan nämä hitaasti ajettavat laskut tuottaen samalla kvanttimekaanisesti tarkkoja tuloksia murto-osassa siitä ajasta, jota perinteiset menetelmät niihin käyttävät.

Suurin osa ML-malleista materiaalitieteissä perustuu yksittäisten atomien ympäristön kuvailemiseen niin kutsutuilla lokaaleilla deskriptoreilla. Nämä deskriptorit ovat matemaattinen työkalu, joilla voidaan kommunikoida informaatiota atomista ja sitä ympäröivistä naapuriatomeista ML-mallille, jotta se voi ennustaa uusia tuloksia atomien liikkeiden perusteella. Naapuriatomien liike voi aiheuttaa esimerkiksi sidosten rikkoutumista ja muutoksia systeemin energiassa.

Kuten mainittu, nämä deskriptorit ovat usein lokaaleja ja atomikeskisiä. Jotkin systeemin ominaisuudet voivat kuitenkin olla erittäin epälokaaleja siten, että niiden efektiivinen etäisyys ylittää reilusti sen mitä deskriptorit pystyvät tavoittamaan. Yksi esimerkki tällaisesta ominaisuudesta on dispersiovuorovaikutukset, jotka ovat pitkän kantaman vuorovaikutuksia atomeihin elektronien kvanttimekaanisesta superpositiosta indusoituneiden dipoleiden välillä. Johtuen niiden kumulatiivisesta pitkän kantaman luonteesta, nämä vuorovaikutukset ovat heikompia kuin kovalenttiset sidokset atomeiden välillä, mutta ne ovat vastuussa monen materiaalin, muun muassa grafiitin ja mustan fosforin, stabiiliudesta.

Tässä tutkimuksessa käsittelimme haastetta, joka muodostuu näiden epälokaalien vuorovaikutusten sisällyttämisestä ML-malliin lokaaleilla deskriptoreilla. Tutkimuksen tärkein tulos on viimeisintä tekniikkaa edustavan monen kappaleen dispersiomallin epätriviaali muotoilu atomikeskiseksi malliksi, jota ei ole tehty koskaan aikaisemmin. Uudet ML-potentiaalit mahdollistavat tarkoista dispersiovuorovaikutuksista vahvasti riippuvien suurien atomististen systeemien mallintamisen lähes kvanttimekaanisella tarkkuudella vain murto-osalla siitä ajasta, joka perinteisillä menetelmillä menisi samojen tulosten aikaansaamiseksi.

Avainsanat: dispersiovuorovaikutukset, koneoppiminen, tiheysfunktionaaliteoria, monen kappaleen dispersio, molekyylidynamiikka

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/ 

Yhteystiedot:

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52