Desenvolvimento de potenciais interatômicos baseados em aprendizado de máquina aplicados a nanofilamentos de carbono

• Ano de defesa: 2023
• Autor(a) principal: Novôa, Matheus Teixeira
• Orientador(a): Muniz, André Rodrigues
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Dinâmica molecular; Aprendizado de máquina; Nanofilamentos de carbono
• Palavras-chave em Inglês: Carbon nanothreads; Neural network potentials; Machine learning potentials
• Link de acesso: http://hdl.handle.net/10183/272007

Nanofilamentos de carbono são nanomateriais unidimensionais constituídos por carbono e hidrogênio, que vêm ganhando muita notoriedade devido às suas excelentes propriedades mecânicas e potenciais aplicações tecnológicas. Trabalhos teóricocomputacionais, utilizando simulações de dinâmica molecular e realizados com potenciais interatômicos clássicos, têm falhado quantitativamente na tentativa de predizer tais propriedades para a diversidade de estruturas possíveis para esta classe de materiais. O objetivo deste trabalho é construir um potencial interatômico baseado em redes neurais, especializado na descrição das interações presentes em nanofilamentos de carbono. Para isso, foi gerada uma base de dados contendo várias estruturas teóricas para nanofilamentos, cujas posições atômicas foram geradas com o potencial reativo ReaxFF. As forças e energias correspondentes a cada configuração atômica gerada foram, posteriormente, calculadas com métodos de química quântica e utilizadas para o treinamento do modelo. O potencial interatômico baseado em redes neurais foi testado em simulações de deformação uniaxial, nas quais foi possível capturar o comportamento mecânico dos nanofilamentos e mensurar algumas propriedades. O potencial desenvolvido levou à obtenção de bons resultados para o módulo de Young e curvas de tensão-deformação de nanofilamentos com variadas estruturas e morfologias, com qualidade superior à potenciais que vêm sendo tradicionalmente utilizados na literatura, porém ainda com dificuldade de predizer propriedades para nanofilamentos com estruturas mais realísticas e complexas em temperaturas elevadas. Algumas melhorias ainda precisam ser feitas na composição da base de dados e em alguns hiperparâmetros do potencial para aprimorar os resultados de forma quantitativa.