DOI: https://doi.org/10.1016/j.jmps.2026.106540
تاريخ النشر: 2026-02-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تقدم البحث إطار عمل هجيني جديد للنمذجة، يسمى sMLP+ILP، مصمم لمحاكاة الهياكل غير المتجانسة من فان der Waals (vdW) بدقة وكفاءة محسنتين. يدمج هذا الإطار إمكانيات تعلم الآلة ذات الطبقة الواحدة (sMLP) لالتقاط التفاعلات داخل الطبقة قصيرة المدى مع إمكانيات بين الطبقات قائمة على الفيزياء (ILP) للتفاعلات بين الطبقات طويلة المدى. من خلال فصل هذه التفاعلات، يقلل نهج sMLP+ILP بشكل كبير من عدد تكوينات التدريب المطلوبة بمقدار ترتيب واحد على الأقل مقارنة بالنماذج التقليدية المعتمدة على تعلم الآلة، مع الحفاظ على دقة تنبؤية عالية. تُظهر عملية التحقق من صحة الإطار قدرته على إعادة إنتاج الخصائص الميكانيكية والحرارية للمواد مثل الجرافيت ونيتريد البورون السداسي (h-BN)، بالإضافة إلى أنماط Moiré المعقدة في هياكل غير متجانسة مختلفة، مما يتماشى بشكل وثيق مع البيانات التجريبية.
تتضح كفاءة الإطار من خلال قدرته على محاكاة أنظمة vdW ثلاثية الطبقات المعقدة التي تتكون من مئات الآلاف من الذرات بسرعة تتجاوز $2 \times 10^6$ ذرة·خطوة/ثانية على وحدة معالجة الرسومات الواحدة. تظهر نماذج sMLP أخطاء جذر متوسط المربعات للقوة (RMSEs) أقل بكثير مقارنة بالإمكانات التجريبية، ويقوم الإطار بالتقاط طيف الفونونات وخصائص النقل للمواد المدروسة بنجاح. بالإضافة إلى ذلك، يتم تطبيق إطار sMLP+ILP للتحقيق في تأثيرات ترتيب التكديس على إعادة البناء الهيكلي في الأنظمة ثلاثية الطبقات، مما يكشف عن رؤى حاسمة حول تشكيل الفوق شبكات Moiré وتأثير كيمياء الحواف على الديناميات الاحتكاكية في التطبيقات النانو-تريبلوجية. بشكل عام، يمثل إطار sMLP+ILP حلاً قابلاً للتوسع وقابل للتحويل لنمذجة مواد vdW المعقدة بدقة عبر مجموعة من التطبيقات.
مقدمة
تناقش المقدمة أهمية الوصلات المتجانسة وغير المتجانسة من فان der Waals (vdW) التي تتكون من تكديس المواد ذات الطبقات ثنائية الأبعاد (2D)، مع تسليط الضوء على خصائصها الميكانيكية والحرارية والإلكترونية والاحتكاكية الفريدة. إن النمذجة الدقيقة لهذه المواد على المستوى الذري ضرورية لفهم سلوكياتها، لكنها تواجه تحديات بسبب العدد الكبير من الذرات المعنية والطبيعة غير المتجانسة للمواد. تواجه الطرق التقليدية للنمذجة، بما في ذلك الإمكانات التجريبية وطرق الإمكانات بين الطبقات (ILP)، قيودًا في التقاط التفاعلات المعقدة والعيوب الهيكلية الموجودة في هذه المواد.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل هجيني جديد يدمج إمكانيات تعلم الآلة ذات الطبقة الواحدة (sMLP) مع ILP القائم على الفيزياء، مما يسمح بفصل فعال للتفاعلات داخل الطبقة قصيرة المدى وبين الطبقات طويلة المدى. يعزز هذا النهج الشبيه بـ LEGO الدقة مع تقليل الحاجة إلى مجموعات بيانات مرجعية واسعة. يتم التحقق من صحة الإطار من خلال تطبيقات على هياكل vdW غير المتجانسة المختلفة، مما يظهر قدرته على تحقيق دقة ab initio وكفاءة حسابية. من الجدير بالذكر أن الدراسة تكشف عن آلية فريدة تتحكم في الحواف في الديناميات الانزلاقية لأشرطة h-BN النانوية، مما يبرز إمكانية الإطار المقترح لمحاكاة المواد ثنائية الأبعاد المعقدة وتفاعلاتها.
طرق
في هذا القسم، يقدم المؤلفون منهجيتهم لدراسة الفوق شبكات Moiré في الهياكل غير المتجانسة المعقدة من فان der Waals (vdW) باستخدام نهجهم sMLP+ILP. يتحققون من نموذجهم من خلال مقارنة أنماط Moiré المحاكية في طبقات ثنائية وثلاثية من الجرافين/h-BN مع البيانات التجريبية. تأخذ المحاكاة في الاعتبار عدم تطابق الشبكة بنسبة 1.8% وزوايا التواء محددة لتتوافق مع الإعدادات التجريبية، مما يؤدي إلى نماذج محسنة تظهر فوق شبكات Moiré سداسية الشكل مع دورية تبلغ حوالي 14 نانومتر، متوافقة مع الملاحظات التجريبية. كما يستخدم المؤلفون طريقة مؤشر التسجيل المحلي (LRI) لتحليل تكوينات التكديس، مما يكشف عن نمط Moiré مزدوج يتماشى مع النتائج التجريبية من مجهر القوة الذري الموصل.
بالإضافة إلى ذلك، يستكشف المؤلفون الديناميات الانزلاقية بين واجهات مواد vdW، وتحديدًا أشرطة h-BN النانوية المنزلق على ركائز h-BN، لتقييم قابلية نقل إطار sMLP+ILP الخاص بهم. يحاكون كل من الأشرطة النانوية المفعلة بالهيدروجين وتلك الخالية من الهيدروجين، مشاهدين استجابة مميزة للالتصاق والانزلاق في ملفات القوة الجانبية. تشير النتائج إلى أن إطار sMLP+ILP يوفر تنبؤات متفوقة للقوى الاحتكاكية مقارنة بإمكانات Tersoff، مع تسليط الضوء بشكل خاص على الفروق الكبيرة في مقادير القوة بناءً على كيمياء الحواف واختيار الإمكانات. تؤكد النتائج على أهمية النمذجة الدقيقة في فهم الخصائص الاحتكاكية لمواد vdW.
نقاش
في هذا القسم، يقدم المؤلفون نموذج sMLP+ILP الهجين المصمم لنمذجة هياكل فان der Waals (vdW) بدقة، خاصة في الهياكل غير المتجانسة متعددة الطبقات. يتم حساب الطاقة الكلية المحتملة من خلال دمج المساهمات من كل من نماذج sMLP (إمكانات تعلم الآلة القائمة على الموقع) وILP (الإمكانات بين الطبقات)، مع استخدام دالة دلتا كرونكر للتمييز بين التفاعلات داخل الطبقة وبين الطبقات. تستخدم مكونة sMLP شبكة عصبية لالتقاط الروابط التساهمية داخل الطبقات الفردية، بينما تأخذ مكونة ILP في الاعتبار التفاعلات طويلة المدى والقوى الطاردة بين الطبقات المختلفة. يؤكد المؤلفون أن إطار sMLP+ILP يفصل هذه التفاعلات بفعالية، مما يسمح بنمذجة فعالة دون الحاجة إلى مجموعات بيانات تدريب واسعة عادة ما تتطلبها طرق MLP النقية.
يسلط النقاش الضوء على مزايا نموذج sMLP+ILP مقارنة بالطرق الحالية، خاصة من حيث الكفاءة الحسابية والدقة. بينما تواجه MLP التقليدية صعوبة مع الطبيعة طويلة المدى لتفاعلات vdW وتتطلب مجموعات بيانات كبيرة لتغطية تكوينات متنوعة، يقلل إطار sMLP+ILP بشكل كبير من عدد التكوينات اللازمة، مما يظهر ميزة في التوسع مع زيادة عدد المكونات أحادية الطبقة المتميزة. يتحقق المؤلفون من نموذجهم مقابل البيانات التجريبية وطرق حسابية أخرى، مما يظهر أن إطار sMLP+ILP يحقق دقة عالية في التنبؤ بخصائص مثل طاقات الربط، وتشتت الفونونات، والخصائص الميكانيكية للجرافيت ومواد طبقية أخرى، مع الحفاظ على الكفاءة الحسابية. بشكل عام، يتم وضع نهج sMLP+ILP كأداة قوية لدراسة أنظمة vdW المعقدة تحت مجموعة من الظروف.
DOI: https://doi.org/10.1016/j.jmps.2026.106540
Publication Date: 2026-02-01
Author(s): Zhenyun Du et al.
Primary Topic: Machine Learning in Materials Science
Overview
The research presents a novel hybrid modeling framework, termed sMLP+ILP, designed to simulate van der Waals (vdW) heterostructures with enhanced accuracy and efficiency. This framework integrates a single-layer machine-learned potential (sMLP) for capturing short-range intralayer interactions with a physics-based anisotropic interlayer potential (ILP) for long-range interlayer interactions. By decoupling these interactions, the sMLP+ILP approach significantly reduces the required training configurations by at least an order of magnitude compared to traditional machine-learned models, while maintaining high predictive accuracy. Validation of the framework demonstrates its capability to reproduce mechanical and thermal properties of materials like graphite and hexagonal boron nitride (h-BN), as well as intricate Moiré patterns in various heterostructures, aligning closely with experimental data.
The framework’s efficiency is underscored by its ability to simulate complex trilayer vdW systems comprising hundreds of thousands of atoms at a speed exceeding $2 \times 10^6$ atom·step/s on a single GPU. The sMLP models exhibit significantly lower force root mean square errors (RMSEs) compared to empirical potentials, and the framework successfully captures the phonon spectra and transport properties of the materials studied. Additionally, the sMLP+ILP framework is applied to investigate the effects of stacking order on structural reconstruction in trilayer systems, revealing critical insights into the formation of Moiré superlattices and the influence of edge chemistry on frictional dynamics in nanotribological applications. Overall, the sMLP+ILP framework represents a scalable and transferable solution for accurately modeling complex vdW materials across a range of applications.
Introduction
The introduction discusses the significance of Van der Waals (vdW) homojunctions and heterojunctions formed by stacking two-dimensional (2D) layered materials, highlighting their unique mechanical, thermal, electronic, and tribological properties. Accurate modeling of these materials at the atomic scale is essential for understanding their behaviors, yet poses challenges due to the large number of atoms involved and the anisotropic nature of the materials. Traditional modeling approaches, including empirical potentials and interlayer potential (ILP) methods, have limitations in capturing the complex interactions and structural defects present in these materials.
To address these challenges, the authors propose a novel hybrid framework that integrates single-layer machine-learned potentials (sMLP) with physics-based ILP, allowing for the effective decoupling of short-range intralayer and long-range interlayer interactions. This LEGO-like assembly approach enhances accuracy while reducing the need for extensive reference datasets. The framework is validated through applications to various vdW heterostructures, demonstrating its capability to achieve ab initio accuracy and computational efficiency. Notably, the study reveals a unique edge-controlled mechanism in the sliding dynamics of h-BN nanoribbons, emphasizing the potential of the proposed framework for simulating complex 2D materials and their interactions.
Methods
In this section, the authors present their methodology for studying Moiré superlattices in complex van der Waals (vdW) heterostructures using their sMLP+ILP approach. They validate their model by comparing simulated Moiré patterns in graphene/h-BN bilayers and trilayers with experimental data. The simulations account for a 1.8% lattice mismatch and specific twisting angles to align with experimental setups, resulting in optimized models that exhibit hexagonal Moiré superlattices with a periodicity of approximately 14 nm, consistent with experimental observations. The authors also employ the local registry index (LRI) method to analyze stacking configurations, revealing a double-Moiré pattern that aligns with experimental findings from conductive atomic force microscopy.
Additionally, the authors explore the interfacial sliding dynamics of vdW materials, specifically h-BN nanoribbons sliding on h-BN substrates, to assess the transferability of their sMLP+ILP framework. They simulate both hydrogen-passivated and hydrogen-free nanoribbons, observing a characteristic stick-slip response in lateral force profiles. The results indicate that the sMLP+ILP framework provides superior predictions of frictional forces compared to the Tersoff potential, particularly highlighting the significant discrepancies in force magnitudes based on edge chemistry and potential choice. The findings underscore the importance of accurate modeling in understanding the tribological properties of vdW materials.
Discussion
In this section, the authors present a hybrid sMLP+ILP model designed for accurately modeling van der Waals (vdW) structures, particularly in multilayer heterostructures. The total potential energy is computed by combining contributions from both the sMLP (site-based machine learning potential) and ILP (interlayer potential) models, with the Kronecker delta function distinguishing between intralayer and interlayer interactions. The sMLP component utilizes a neural network to capture covalent bonding within individual layers, while the ILP component accounts for long-range interactions and repulsive forces between different layers. The authors emphasize that the sMLP+ILP framework effectively decouples these interactions, allowing for efficient modeling without the need for extensive training datasets typically required by pure MLP approaches.
The discussion highlights the advantages of the sMLP+ILP model over existing methods, particularly in terms of computational efficiency and accuracy. While traditional MLPs struggle with the long-range nature of vdW interactions and require large datasets to cover various configurations, the sMLP+ILP framework significantly reduces the number of necessary configurations, demonstrating a scaling advantage as the number of distinct monolayer components increases. The authors validate their model against experimental data and other computational approaches, showing that the sMLP+ILP framework achieves high accuracy in predicting properties such as binding energies, phonon dispersion, and mechanical characteristics of graphite and other layered materials, while maintaining computational efficiency. Overall, the sMLP+ILP approach is positioned as a robust tool for studying complex vdW systems under a range of conditions.