Simulación de un potencial atomístico de C-O/CU (110) mediante redes neuronales artificiales

Se implementó un método iterativo de desarrollo de varios potenciales atomísticos basados en redes neuronales (CO/Cu(110)), donde en cada iteración se amplío el tamaño de la base de datos (construida a partir de datos calculados con el método de teoría del funcional densidad). Con cada iteración, se identifican los puntos del espacio de configuraciones del sistema donde se estimó que el error del potencial atomístico neuronal era mayor, mediante analizar los resultados de simulaciones de dinámica molecular. Las configuraciones representadas por estos puntos fueron incorporadas a la base de datos del sistema. En cada paso de entrenamiento se observó el comportamiento de la raíz del error cuadrático medio entre la energía del potencial neuronal y la de un subconjunto de los datos en la base de datos usado para entrenamiento (train) y entre la energía del potencial neuronal y un subconjunto de la base de datos usados para evaluación test. Se decidió optar por la representación artificial del potencial atomístico cuya raíz del error cuadrático medio de evaluación resultó ser menor. Después de varias iteraciones, el potencial atómico obtenido fue utilizado en simulaciones de dinámica molecular para evaluar la probabilidad de adsorción del CO sobre la superficie de Cu(110) a Ts = 0K y a Ts = 90K. Se presenta una disminución monótona de la probabilidad de adsorción de CO en Cu(110) en el rango de energías desde 0.01 eV hasta 2.0 eV, cuyo comportamiento no cambia significativamente ante un cambio de temperatura superficial de Ts = 0K a Ts = 90K. La probabilidad de adsorción para 90K están en excelente acuerdo con datos experimentales en las mismas condiciones. La óptima descripción del sistema obtenida permite proyectar un futuro exitoso en la utilización de estos métodos en el campo de la dinámica de interacción de moléculas con superficies. Se espera un gran desarrollo y vastos avances en el campo de investigación de dinámicas moleculares gracias a los métodos de inteligencia artificial como el método aquí abordado.