Applicazione di tecniche di machine learning alla simulazione di spettri Raman

La spettrografia Raman è uno strumento importante nello studio dei materiali vetrosi e amorfi. Essa permette di accedere direttamente alle frequenze di vibrazione, e se accompagnata da una modellizzazione teorica accurata permette anche di accedere alle particolarità strutturali di tali sistemi. Metodi basati sulla teoria del funzionale della densità (DFT) forniscono simulazioni Raman accurate. Prima viene creato un modello di amorfo tramite dinamica molecolare, poi vengono calcolate le frequenze ed i modi di vibrazione ed infine vengono calcolati i tensori Raman. Questi a loro volta sono definiti come derivate del tensore dielettrico macroscopico rispetto agli spostamenti atomici. Tuttavia il costo computazionale della DFT permette di affrontare sistemi contenenti al massimo poche centinaia di atomi. Per ovviare a questa limitazione, sono stati introdotti potenziali interatomici modello basati su algoritmi di machine learning (ML) . Essi vengono addestrati su risultati DFT e assicuarno un’accuratezza molto vicino a quella originale DFT. Con tali metodi è possibile ottenere la struttura dell’amorfo e le relative vibrazioni. Per il calcolo dello spettro Raman servono ancora i tensori Raman. L'obiettivo di questa tesi è l'esplorazione di modelli ML per la generazione dei tensori Raman a partire dalla sola struttura spaziale del sistema amorfo.I modelli saranno addestrati su risultati DFT. Verrà considerato il caso particolare della silice amorfa, sia per il ruolo di tale materiale come sistema prototipico sia per la semplicità risultante dalla mancanza di difetti di coordinazione. In particolare, lo studente introdurrà un semplice modello basato sulla configurazione spaziale a primi vicini che si presta all’addestramento con diversi modelli ML. Verrà anche valutato il guadagno relativo rispetto al modello empirico bond-polarisability model.