Costruzione di force-fields per la simulazione della tantala amorfa tramite machine learning

I metodi detti force-fields permettono la simulazione su scala atomica trattando gli atomi come particelle classiche che interagiscono tra di loro tramite campi di forza empirici espressi tramite potenziali classici dipendenti da un insieme di parametri tra cui le posizioni atomiche. Il modello più semplice di tali potenziali è quello di Lennard-Jones che dipende solo dalla distanza relativa tra una coppia di atomi. Nonostante diversi decenni di sviluppo l’accuratezza dei metodi force-fields empirici è rimasta limitata. Una rivoluzione è stata resa possibile solo negli ultimi dieci-quindici anni dall’introduzione di tecniche basate sul machine-learning. In pratica, si usano metodi quantistici, come la teoria del funzionale della densità (DFT), molto precisi ma dal costo computazionale molto alto per ottenere un insieme dati: posizioni atomiche, forze ed energia. Poi modelli molto generali di force fields, dipendenti quindi da un grande insieme di parametri, vengono addestrati tramite metodi di machine learning in maniera da riprodurre i dati di riferimento. Si trova in genere che i force-fields ottenuti sono di alta qualità, capaci quindi di riprodurre fedelmente le previsioni dei metodi quantistici. L'obiettivo del lavoro di tesi è la costruzione di force-fields per lo studio delle proprietà strutturali della tantala amorfa (a-Ta2O5). Lo studente userà l’approccio sviluppato dal gruppo del prof. B. Kozinsky ad Harvard basato su reti neurali profonde e disponibile pubblicamente (software Allegro). Il docente fornirà una serie di configurazioni di a-Ta2O5 ottenute tramite simulazioni di dinamica molecolare a livello DFT. Tramite Allegro lo studente otterrà dei force-fields. Questi verranno poi utilizzati entro il codice di dinamica molecolare classica LAMMPS per simulare un nuovo modello più grande di a-Ta2O5 di cui verranno valutate le caratteristiche strutturali.