7. Interatomic Potential Parametrization for Graphene

Dieses Kapitel untersucht die entscheidende Rolle der Parametrisierung des interatomaren Potenzials (IP) in der molekulardynamischen Simulation von Graphen, wobei der Schwerpunkt auf der Bruchfestigkeit liegt. Die Studie setzt maschinelles Lernen (ML) ein, um die Tersoff-IP-Parameter zu optimieren, und adressiert die Unsicherheit, die zu erheblichen Abweichungen in den mechanischen Reaktionen führen kann. Zu den Schlüsselthemen gehören die Integration der Gaußschen Prozessregression (GPR) mit MD-Simulationen zur präzisen Vorhersage der Bruchfestigkeit, der Einfluss von Parameterstörungen auf die Simulationsergebnisse und der Einsatz der SHAP-Analyse zur Identifizierung der einflussreichsten Parameter. Das Kapitel schließt mit einer vorgeschlagenen Änderung der Tersoff-IP-Parameter, die eine verbesserte Ausrichtung mit experimentellen Daten zur Bruchfestigkeit demonstriert. Darüber hinaus bietet das Kapitel praktische Anleitungen für die Verwendung der zugehörigen Quelldateien zur Reproduktion der Simulationen und ML-Modelle, was es zu einer umfassenden Ressource für Fachleute macht, die die Genauigkeit ihrer eigenen MD-Simulationen verbessern möchten.