a-SiO2 structures

该数据集包含1000个非晶态二氧化硅（a-SiO2）结构，通过熔融-淬火-退火分子动力学模拟生成，涵盖了从2.0到2.7 g/cm³的密度范围。数据集的创建过程包括使用LAMMPS进行分子动力学模拟，并采用CHIK势能模型进行淬火和退火处理，以确保结构的多样性和高质量。该数据集主要用于训练和评估机器学习模型，特别是在预测固态核磁共振参数方面，旨在解决复杂材料系统中的静态和动态行为预测问题。This dataset contains 1000 amorphous silica (a-SiO₂) structures generated through melt-quench-annealing molecular dynamics simulations, spanning a density range from 2.0 to 2.7 g/cm³. The construction of this dataset utilizes LAMMPS to perform molecular dynamics simulations, and adopts the CHIK interatomic potential model for quenching and annealing processes to ensure structural diversity and high-quality results. This dataset is primarily employed for training and evaluating machine learning models, especially for predicting solid-state nuclear magnetic resonance (NMR) parameters, aiming to address the prediction of static and dynamic behaviors in complex material systems.

搜集汇总

数据集介绍

构建方式

a-SiO2 structures数据集的构建基于分子动力学模拟（MD）和机器学习（ML）技术的结合。首先，通过LAMMPS软件进行熔融-淬火-退火模拟，生成了1000个不同密度的非晶二氧化硅（a-SiO2）结构，密度范围从2.0到2.7 g cm−3。为了增加局部原子环境的多样性，采用了三种不同的淬火速率。随后，使用Gaussian Approximation Potential（GAP）对这些结构进行退火处理，以确保其高质量。最终，数据集被划分为训练集（800个结构）、验证集（50个结构）和测试集（150个结构），用于训练和评估基于图神经网络（GNN）的ML模型。

使用方法

a-SiO2 structures数据集的使用方法主要围绕基于图神经网络的机器学习模型展开。首先，数据集用于训练和验证NequIP架构的GNN模型，以预测NMR张量参数。通过两种张量分解策略（不可约球张量分解和张量积分解），模型能够准确预测各向同性和各向异性的NMR性质。训练完成后，模型可用于生成静态一维NMR光谱，模拟不同密度下的非晶二氧化硅结构，并研究其动态行为，如α-β相变。此外，该数据集还可用于验证和优化其他ML模型，推动NMR参数预测在材料科学中的应用。

背景与挑战

背景概述

a-SiO2 structures数据集由牛津大学无机化学实验室的研究团队于2024年创建，主要研究人员包括Chiheb Ben Mahmoud、Louise A. M. Rosset、Jonathan R. Yates和Volker L. Deringer。该数据集的核心研究问题是通过图神经网络（GNN）预测固态核磁共振（NMR）参数，特别是各向异性磁屏蔽和电场梯度张量。NMR技术对材料的局部原子结构极为敏感，但其参数的计算通常依赖于昂贵的密度泛函理论（DFT）方法。该数据集的构建旨在通过机器学习（ML）模型加速NMR参数的预测，从而为实验数据的解释和结构模型的验证提供高效途径。该数据集涵盖了不同密度和局部有序度的非晶二氧化硅（a-SiO2）结构，扩展了传统第一性原理方法的适用范围，并对复杂材料的静态和动态行为进行了探索。这一研究为ML驱动的NMR预测提供了新的思路，并缩小了第一性原理建模与实验数据之间的差距。

当前挑战

a-SiO2 structures数据集在构建和应用过程中面临多重挑战。首先，NMR参数的预测需要高精度，尤其是各向异性张量的计算，这对ML模型的表达能力提出了极高要求。尽管图神经网络在处理对称性和化学信息方面表现出色，但如何准确捕捉NMR张量的复杂物理特性仍是一个难题。其次，数据集的构建依赖于分子动力学模拟和第一性原理计算，这些方法本身具有较高的计算成本，尤其是在处理大规模和非晶结构时。此外，ML模型在预测各向异性参数（如化学位移、四极耦合常数和张量取向）时，需要克服数据稀疏性和局部环境多样性的问题。最后，如何将ML预测结果与实验数据有效结合，并验证其在真实材料系统中的适用性，也是该领域亟待解决的关键问题。

常用场景

经典使用场景

a-SiO2 structures数据集在固态核磁共振（NMR）领域中被广泛用于研究非晶态二氧化硅（SiO2）的局部原子结构和动态行为。通过结合图神经网络（GNN）和球张量分解技术，该数据集能够高效预测固态NMR参数，如磁屏蔽（MS）和电场梯度（EFG）张量。这些预测不仅帮助解释实验数据，还为验证结构模型提供了重要依据。

解决学术问题

a-SiO2 structures数据集解决了传统第一性原理计算方法在计算复杂材料NMR参数时的高计算成本问题。通过机器学习模型，该数据集能够在保持高精度的同时，显著加速NMR参数的预测，尤其是在处理大尺度结构和动态行为时。这一突破为研究复杂材料的结构和动态特性提供了新的工具，填补了第一性原理建模与实验数据之间的鸿沟。

实际应用

在实际应用中，a-SiO2 structures数据集被用于模拟非晶态二氧化硅的静态和动态NMR光谱。通过预测NMR张量参数，研究人员能够生成与实验数据高度吻合的模拟光谱，从而更好地理解材料的局部结构和动态行为。此外，该数据集还被用于研究二氧化硅的相变过程，如α-β晶型转变，为材料设计和优化提供了重要参考。

数据集最近研究

最新研究方向

近年来，a-SiO2结构数据集在固态核磁共振（NMR）参数预测领域取得了显著进展。通过图神经网络（GNN）技术，研究者能够高效地预测各向异性的磁屏蔽和电场梯度等张量参数，从而为复杂材料的静态和动态行为提供精确的NMR谱图预测。这一研究方向不仅突破了传统第一性原理方法在计算成本上的限制，还为材料设计和实验数据的解释提供了新的工具。特别是在非晶态SiO2结构中，GNN模型能够处理大尺度的结构配置，并捕捉局部原子环境的多样性，进一步推动了材料科学领域对无序系统的理解。此外，该数据集的应用还扩展到了晶体相变动力学的研究，展示了机器学习在模拟复杂材料动态行为中的潜力。

相关研究论文

• Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition

  牛津大学 · 2024年