Artificial neural networks for atomic surface migration barrier prediction
| Title: | Artificial neural networks for atomic surface migration barrier prediction |
| Author(s): | Lahtinen, Jyri |
| Contributor: | University of Helsinki, Faculty of Science, Department of Physics |
| Language: | English |
| Acceptance year: | 2017 |
| Abstract: |
Vacuum arc electrical breakdowns cause problems in many appliances operating in high electric field, such as the Compact Linear Collider (CLIC), a proposed next-generation particle accelerator in CERN. The breakdown phenomenon is not well-understood despite decades of research.
Diffusive mass transport in metallic surfaces under electric fields is hypothesised to play a role in the events leading to breakdowns. Kinetic Monte Carlo (KMC) is a well established simulation method for studying diffusion. The weakness of KMC is that it requires knowledge of the rates of all processes that can happen during simulation: in the case of diffusion, these are migration events of mobile objects. The rates can be found from migration barriers, which in turn can be calculated using various methods.
In this thesis, the parametrisation scheme of an existing atomistic KMC model for studying Cu surface diffusion was improved. In this model, the migration barrier is a function of the local environment of the migrating atom. The barriers in different environments were calculated with the nudged elastic band (NEB) method. It is an accurate way of finding barriers, but too expensive to be used for calculating them all in the improved parametrisation scheme. This problem was treated with a multidisciplinary approach of training an artificial neural network (ANN) to predict the barriers, using a limited dataset calculated with the NEB method. Good prediction performance was achieved for the case of stable migration processes on smooth surfaces, and the predictor function was found to be sufficiently fast to be called during KMC runtime.
Tyhjiövalokaarien aiheuttamat sähköiset läpilyönnit ovat ongelmallisia monissa laitteissa jotka toimivat voimakkaassa sähkökentässä. Näihin kuuluu muun muassa Compact Linear Collider (CLIC), joka on CERNiin suunnitteilla oleva seuraavan sukupolven hiukkaskiihdytin. Läpilyönti-ilmiötä ei ymmärretä kovin hyvin, vaikka sitä on tutkittu jo vuosikymmenien ajan.
Yksi läpilyöntien taustalla vaikuttavista mekanismeista arvellaan olevan diffuusio, joka kuljettaa ainetta sähkökenttien alaisilla metallipinnoilla. Kineettinen Monte Carlo (KMC) on vakiintunut simulaatiomenetelmä diffuusion tutkimiseen, mutta sen heikkous on, että kaikkien simulaatiossa sallittujen tapahtumien todennäköisyydet on tiedettävä etukäteen. KMC-diffuusiosimulaatiossa tapahtumat ovat yksittäisten objektien siirtymiä. Todennäköisyydet voidaan löytää siirtymien energiavalleista, joiden laskemiseen on olemassa erilaisia menetelmiä.
Tässä tutkielmassa kehitettiin jo olemassaolevaa atomistista KMC-mallia diffuusion tutkimiseen kuparipinnalla. Atomistisissa siirtymissä energiavalli on atomin paikallisen ympäristön funktio. Vallien laskemiseen käytettiin nudged elastic band (NEB) -menetelmää, jonka on osoitettu olevan tarkka tapa energiavallien löytämiseen eri ympäristöissä. Se on kuitenkin liian raskas jotta kaikki mahdolliset tapaukset voitaisiin laskea sen avulla. Tätä ongelmaa lähdettiin ratkaisemaan poikkitieteellisesti kouluttamalla keinotekoisia hermoverkkoja (artificial neural networks, ANN) ennustamaan kupariatomien siirtymien energiavalleja, käyttäen NEB-menetelmällä laskettua datasettiä. Ennustuskyky oli hyvä vakaille, sileällä pinnalla tapahtuville siirtymille, ja ANN-funktion todettiin olevan tarpeeksi tehokas kutsuttavaksi KMC-simulaation aikana.
|
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| thesis.pdf | 15.40Mb |
This item appears in the following Collection(s)
-
Faculty of Science [4026]