Desenvolvimento de potenciais interatômicos baseado em machine learning para o estudo das propriedades mecânicas do DHQ-grafeno

Abstract

Este trabalho tem como objetivo investigar as propriedades mecânicas do DHQ-grafeno, um alótropo de carbono bidimensional com anéis de 10,6e 4 átomos, utilizando, para isso, de potenciais interatômicos desenvolvidos com técnicas de aprendizado de máquina (MLIP do inglês machine learning interatomic potentials). Através de simulações de dinâmica molecular (MD, do inglês molecular dinamics) e cálculos ab initio a partir da teoria do funcional da densidade (DFT, do inglês Density Functional Theory), foram obtidos dados sobre a deformação elástica e plástica do DHQ, bem como suas constantes elásticas, como módulo de Young e razão de Poisson. Estes dados mostraram o comportamento quebradiço do DHQ-Grafeno e resistividade mecânica com constantes elásticas ligeiramente próximas ao do grafeno. Além disso, comparações entre potenciais clássicos mostram que o MLIP oferece maior precisão na previsão do comportamento mecânico do DHQ-grafeno, estando de acordo com as simulações via DFT, embora possa ser simulado em largas escalas de tempo e tamanho, além de não suprimir os efeitos térmicos. As simulações também indicam que a aplicação de ML na parametrização de potenciais interatômicos melhora a previsão de tensões e deformações, facilitando na descrição mecânica deste tipo de material.