New ideas for the Basin-Hopping Monte Carlo method applied to the global optimization of Clusters and Nanoparticles

Neste trabalho é introduzido e avaliado um conjunto de novas ideias para aumentar a eficiência do método Basin-Hopping Monte Carlo (BHMC) aplicado à otimização global de clusters e nanopartículas, que resultou no método BHMC revisado. Dentro deste método, tomou-se o cuidado de manter as características fundamentais do método BHMC padrão, que consistem na transformação da superfície de energia potencial em um conjunto de basins de atração, e no emprego de amostragem de Monte Carlo utilizando o critério de Metropolis. As ideias por trás do método BHMC revisado incluem um grande conjunto de operadores locais e não locais construídos especificamente para clusters e nanopartículas e que permitem maior mobilidade sobre a superfície de energia potencial durante a busca pelo mínimo global, duas estratégias de seleção de operadores, e um operador de filtro estrutural para remover soluções não físicas. A eficiência do método apresentado foi avaliada através da sua aplicação a um grande número de clusters e nanopartículas de tamanhos variados, compreendendo sistemas descritos tanto por potenciais empíricos, quanto por primeiros princípios dentro do formalismo da teoria do funcional da densidade (DFT). Os sistemas investigados foram clusters de Lennard-Jones e Sutton-Chen contendo até 148 átomos, um conjunto de nanopartículas de Lennard-Jones com tamanhos variando entre 200 e 1500 átomos, clusters binários de Lennard-Jones com até 100 átomos, clusters binários de metais de transição (AgPd)55 descritos pelo potencial de Sutton-Chen, clusters de alumínio puros com até 30 átomos descritos por DFT, e clusters de alumínio com até 15 átomos dopados com um átomo de cobre, também descritos por DFT. Através da otimização global sem bias de todas essas partículas, o método BHMC revisado foi capaz de reproduzir com sucesso os mínimos globais putativos mais recentes disponíveis na literatura obtidos por diversas técnicas de otimização global, e também foi capaz de identificar mínimos globais previamente desconhecidos. Além disso, em comparação com o método BHMC padrão, o método RBHMC mostrou maior eficiência para muitos dos sistemas investigados. As ideias contidas na metodologia apresentada constituem uma ferramenta valiosa para auxiliar investigações teóricas visando uma melhor compreensão da estrutura atômica de clusters e nanopartículas.In this work it is introduced and evaluated a set of new ideas to increase the efficiency of the Basin-Hopping Monte Carlo (BHMC) method applied to the global optimization of clusters and nanoparticles, which resulted in the revised BHMC method. Within this method, care was taken to keep the main features of the standard BHMC method, which are the transformation of the potential energy surface into a set of basins of attraction, and the use of Monte Carlo sampling employing the Metropolis criterion. The ideas behind the revised BHMC method include a large set of local and non-local operators built specifically for clusters and nanoparticles which allow a greater mobility over the potential energy surface along of the search for the global minimum, two strategies for selecting the operators, and a structural filter operator to remove unphysical solutions. The efficiency of the presented method was evaluated by applying it to a large number of clusters and nanoparticles of various sizes, comprising systems described both by empirical potentials and by first-principles within the formalism of density functional theory (DFT). The systems that were investigated were Lennard-Jones and Sutton-Chen clusters with up to 148 atoms, a set of Lennard-Jones nanoparticles with sizes from 200 to 1500 atoms, binary Lennard-Jones clusters with up to 100 atoms, binary transition metal clusters (AgPd)55 described by the Sutton-Chen potential, pure aluminum clusters with up to 30 atoms described by DFT, and aluminum clusters with up to 15 atoms doped with a copper atom, also described by DFT. Through the unbiased global optimization of all those particles, the revised BHMC method was able to successfully reproduce the most recent putative global minima available in the literature obtained by several different global optimization techniques, and moreover, it was able to identify previously unkown global minima. Furthermore, in comparison with the standard BHMC method, the RBHMC method proved to be more efficient for many of the systems that were investigated. The ideas comprised within the presented methodology characterize a valuable tool for aiding theoretical investigations leading to a better understanding of the atomic structure of clusters and nanoparticles