所属：大阪大学工学研究科マテリアル生産科学専攻浜口研究室

概要：近年，材料科学の分野において，機械学習を用いた分子動力学（MD）シミュレーション用の原子間ポテンシャルが開発されている．機械学習原子間ポテンシャルは，密度汎関数理論（DFT）に基づく量子力学計算で事前に評価された膨大な数の原子配置データと膨大な数の力場データを補間することで，対応するDFTに基づく量子力学計算よりもはるかに迅速に力場を提供することができる．また，機械学習原子間ポテンシャルは広く使用されている古典的な原子間力場モデルよりもはるかに正確であることが期待されており，DFT計算で得られるものと同等の精度を実現できる可能性がある．しかし，材料科学で広く使用されている熱力学的平衡状態における典型的な分子動力学シミュレーションとは異なり，スパッタリング/エッチングシミュレーションでは，このような力場の開発に特別な注意が必要となる．高イオンエネルギー衝撃を伴う典型的なスパッタリングシミュレーションでは，原子間の距離が極端に小さくなることがあり，標準的なDFTベースの力場データでは精度を担保できない．そのため，本研究では，短距離斥力相互作用を表すためにZiegler-Biersack-Littmark（ZBL）ポテンシャル関数を使用し，それ以外には機械学習による力場を採用した．機械学習原子間ポテンシャルは，グラフニューラルネットワーク（GNN）を基に，Query By Committeeに基づいた能動学習を用いて開発した．開発した機械学習原子間ポテンシャルを用いたMDシミュレーションでは，SiおよびSiO2のイオンビームスパッタリング/エッチングを実施し，その結果をビーム実験データおよび既存の古典的MDシミュレーション結果と比較した．

論文掲載,発表実績:

（国際会議会議録掲載論文）

• Shunya Tanaka, Yudai Kotani, Hiori Kino, Satoshi Hamaguchi,"Machine-learning-based force fields for molecular dynamics simulation of silicon and silicon dioxide ion beam etching",AVS70,November 2024