머신러닝을 통해 숨겨진 원자의 움직임을 밝혀내다

Fritz Haber Institute의 연구원들은 APE (Automatic Process Explorer)를 개발했으며, 이는 원자력 및 분자 과정에 대한 이해를 향상시키는 접근법입니다. 동적 정제 시뮬레이션을 통해 APE는 팔라듐 (PD) 표면의 산화에서 예상치 못한 복잡성을 발견하여 촉매 거동에 대한 새로운 통찰력을 제공합니다.

주요 측면

• 혁신적인 접근 : APE는 프로세스 목록을 동적으로 업데이트하여 바이어스를 줄이고 간과 된 원자 운동을 발견하여 전통적인 운동학 몬테 카를로 (KMC) 시뮬레이션을 개선합니다.

• 중요한 결과 : APE를 PD 표면에 적용한 결과 거의 3,000 개의 프로세스가 나타 났으며, 이전에 감지되지 않은 복잡한 원자 운동을 강조했습니다.

• 실제 영향 : APE의 통찰력은 에너지 생산 및 오염 제어에 중요한보다 효율적인 촉매를 개발할 수 있습니다. 이는 자동차에 사용되는 자동차 촉매 변환기와 같은 영역에서 방출을 줄이기 위해 적용을 의미합니다.

• 머신 러닝 통합 : APE는 기계 학습 영역형 전위 (MLIP)를 활용하여 원자 상호 작용을 예측하여 시뮬레이션의 정확도를 향상시킵니다.

동역학 몬테 카를로 시뮬레이션 이해

동역학 몬테 카를로 (KMC) 시뮬레이션은 원자 및 분자 과정의 장기 진화를 연구하는 데 필수적입니다. 이들은 표면 촉매와 같은 분야에서 널리 사용되는데, 여기서 재료 표면에 대한 반응은 에너지 생산 및 오염 제어의 반응을 가속화하는 효율적인 촉매를 개발하는 데 중요합니다. 전통적인 KMC 시뮬레이션은 사전 정의 된 입력에 의존하여 복잡한 원자 이동을 캡처하는 능력을 제한 할 수 있습니다. APE (Automatic Process Explorer)가 들어오는 곳입니다.

유인원 접근

Fritz Haber Institute의 이론 부서에서 개발 한 APE는 시스템의 현재 상태를 기반으로 프로세스 목록을 동적으로 업데이트하여 전통적인 KMC 시뮬레이션의 편견을 극복합니다. 이 접근법은 새로운 구조의 탐구를 장려하여 구조 탐사의 다양성과 효율성을 촉진합니다. APE는 퍼지 기계 학습 분류를 사용하여 뚜렷한 원자 환경을 식별하는 KMC 시뮬레이션에서 프로세스 탐색을 분리합니다. 이것은 잠재적 원자 운동을 더 넓게 탐색 할 수 있게 합니다.

PD 산화에 대한 새로운 통찰력

APE를 기계 학습 영역 간 전위 (MLIP)와 통합함으로써, 연구자들은 오염 제어의 주요 시스템 인 팔라듐 (PD) 표면의 초기 산화에 적용했습니다. APE는 배출량을 줄이기 위해 촉매 변환기에 사용되는 주요 재료 인 팔라듐 (PD) 표면의 초기 산화에 적용될 때, APE는 거의 3,000 개의 프로세스를 발견하여 전통적인 KMC 시뮬레이션의 능력을 훨씬 능가했습니다. 이러한 발견은 촉매에서 분자 과정과 유사한 시간 척도에서 발생하는 복잡한 원자 운동 및 구조 조정 공정을 보여줍니다.

결론

APE 방법론은 산화 동안 PD 표면 구조 조정에 대한 자세한 이해를 제공하여 이전에 보이지 않는 복잡성을 나타냅니다. 이 연구는 나노 구조 진화에 대한 지식과 표면 촉매에서의 역할을 향상시킵니다. 촉매의 효율성을 향상시킴으로써, 이러한 통찰력은 에너지 생산 및 환경 보호에 크게 영향을 미쳐 더 깨끗한 기술과보다 지속 가능한 산업 공정에 기여할 수있는 잠재력을 가지고 있습니다.

출처: https://www.sciencedaily.com/releases/2025/03/250306123251.htm