Explorative dive into machine learned modeling of interatomic potentials and molecular dynamics of H-vacancy defects in diamond

Abstract

Vacancy defecten in diamant, zoals nitrogen-vacancy (NV) centers, spelen een belangrijke rol voor kwantum applicaties. Dieper inzicht in hun dynamica is essentieel om kwaliteit en begrip te verbeteren. De experimenteel gecontroleerde creatie van vacancy defecten in diamant is tijdrovend en duur. Alternatief kunnen deze structuren computationeel gecreëerd worden, met density functional theory (DFT), wat ook veel tijd en computationele kosten vergt. De volgende oplossing wordt gezocht in machine learning (ML). Specifiek, in het creëren en implementeren van een ML model, gebaseerd op interatomaire potentialen, om het gedrag en de moleculaire dynamica (MD) te voorspellen. Deze studie bewijst dat het mogelijk is om een werkend ML model te creëren, getraind op ab initio DFT calculaties. Specifiek voor de waterstof-vacancy (HV) defecten, als eerste stap richting comprehensie van andere defecten. Door exploratie van ML Interatomaire Potentialen (MLIP)s, is een initieel model gecreëerd voor het voorspellen van de krachten en energieën van HV defecten in diamant, resulterend in een accuraatheid van 8.8 meV atom-1 (MAE) voor de energieën. Met deze finale modellen worden MD simulaties gerund, die bewijzen dat de MLIPs toegepast kunnen worden voor MD, en hiermee een startpunt bieden voor verder onderzoek in MLIPs voor diamant defecten voor kwantum applicaties.