https://github.com/fernandezfran/mlpotentials
Machine learning interatomic potentials and their application to lithium batteries (seminar talk in Spanish).
https://github.com/fernandezfran/mlpotentials
lithium-ion-batteries machine-learning machine-learning-potential
Last synced: 5 months ago
JSON representation
Machine learning interatomic potentials and their application to lithium batteries (seminar talk in Spanish).
- Host: GitHub
- URL: https://github.com/fernandezfran/mlpotentials
- Owner: fernandezfran
- Created: 2022-02-15T15:11:18.000Z (over 4 years ago)
- Default Branch: main
- Last Pushed: 2022-07-01T22:15:40.000Z (almost 4 years ago)
- Last Synced: 2025-10-25T11:24:46.849Z (8 months ago)
- Topics: lithium-ion-batteries, machine-learning, machine-learning-potential
- Language: TeX
- Homepage:
- Size: 17.3 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Potenciales interatómicos de aprendizaje automático y su aplicación a baterías de litio
Seminario del doctorado en Física de [FAMAF](https://www.famaf.unc.edu.ar/investigaci%C3%B3n/%C3%A1reas-de-investigaci%C3%B3n/f%C3%ADsica-ofi/seminarios-de-f%C3%ADsica/), dictado en la Aula Magna Enrique Gaviola, el 22/04/2022.
A la grabación de las diapositivas más la charla se puede acceder a través del
siguiente [link](https://drive.google.com/file/d/1oIAxwzCobBo9PtcgWuFWWTdKZAFTW-8H/view?usp=sharing).
## Resumen
En el campo de las simulaciones computacionales existen principalmente dos
variantes para el estudio de materiales. Por un lado, las que se realizan con
potenciales de interacción que se calculan a partir de primeros principios, y por
otro lado las que emplean algún tipo de aproximación para estos potenciales. Las
primeras de ellas tienen una gran precisión pero se encuentran limitadas a
sistemas pequeños mientras que las segundas permiten simulaciones en escalas más
grandes, pero su precisión depende de la forma funcional que se elija para el
potencial en cuestión. Debido a la complejidad en aumento de los sistemas
electroquímicos de interés en el área de las baterías de litio, es necesario que
las simulaciones puedan realizarse a escalas grandes sin perder precisión. Los
potenciales interatómicos de aprendizaje automático ofrecen representar la
superficie energía-potencial mediante un entrenamiento con datos a partir de
cálculos de estructura electrónica, que permiten llevar esto a cabo. En este
seminario se introducen dichos potenciales y se presentan aplicaciones de los
mismos en distintos componentes de las baterías de litio.
## Referencias
- Deringer, V. L. (2020). Modelling and understanding battery materials with
machine-learning-driven atomistic simulations. _Journal of Physics: Energy_,
2(4), 041003.
- Deringer, V. L., Caro, M. A., \& Csányi, G. (2019). Machine learning interatomic
potentials as emerging tools for materials science. _Advanced Materials_,
31(46), 1902765.
- Mishin, Y. (2021). Machine-learning interatomic potentials for materials
science. _Acta Materialia_, 214, 116980.
- Behler, J. (2017). First principles neural network potentials for reactive
simulations of large molecular and condensed systems. _Angewandte Chemie
International Edition_, 56(42), 12828-12840.
- Behler, J. (2016). Perspective: Machine learning potentials for atomistic
simulations. _The Journal of chemical physics_, 145(17), 170901.
- Mueller, T., Hernandez, A., \& Wang, C. (2020). Machine learning for
interatomic potential models. _The Journal of chemical physics_, 152(5), 050902.
- Hong, Y., Hou, B., Jiang, H., \& Zhang, J. (2020). Machine learning and
artificial neural network accelerated computational discoveries in materials
science. _Wiley Interdisciplinary Reviews: Computational Molecular Science_,
10(3), e1450.
- Botu, V., Batra, R., Chapman, J., \& Ramprasad, R. (2017). Machine learning
force fields: construction, validation, and outlook. _The Journal of Physical
Chemistry C_, 121(1), 511-522.
- Li, W., Ando, Y., Minamitani, E., \& Watanabe, S. (2017). Study of Li atom
diffusion in amorphous Li3PO4 with neural network potential. _The Journal of
chemical physics_, 147(21), 214106.
- Fujikake, S., Deringer, V. L., Lee, T. H., Krynski, M., Elliott, S. R., \&
Csányi, G. (2018). Gaussian approximation potential modeling of lithium
intercalation in carbon nanostructures. _The Journal of chemical physics_,
148(24), 241714.
- Artrith, N., Urban, A., \& Ceder, G. (2018). Constructing first-principles
phase diagrams of amorphous Li x Si using machine-learning-assisted sampling with
an evolutionary algorithm. _The Journal of chemical physics_, 148(24), 241711.
## Compilación
Para compilar se puede utilizar el **Makefile** simplemente tipeando en la
terminal (Linux OS):
```bash
make
```
para borrar los archivos generados utilizar `make clean`.