High-dimensional neural network potentials for solids and surfaces

Die Simulation realistischer Festkörperoberflächen, wie zum Beispiel die aktive Oberfläche eines heterogenen Katalysators, erfordert die Modellierung von mehreren tausend Atomen. Die Zuverlässigkeit einer solchen Simulation hängt hierbei stark von der Beschreibung der zugrunde liegenden Potentialenergiefläche (PES) ab. Methoden basierend auf first principles, wie zum Beispiel die Dichtefunktionaltheorie (DFT), erlauben zwar die genaue Vorhersage von Energien und atomaren Kräften, die notwendigen Systemgrößen sind jedoch aufgrund des hohen Rechenaufwands derzeit nicht mittels DFT zugänglich. In dieser Dissertation wird gezeigt, dass hochdimensionale, künstliche neuronale Netze (NNs), die mit first principles Daten trainiert wurden, die PES von Kupfer/Zinkoxid-Grenzflächen zuverlässig beschreiben können. Dieser Ansatz erlaubt die theoretische Untersuchung von Kupferclustern auf Zinkoxidoberflächen, einem wichtigen Katalysator für die industrielle Methanolsynthese