Polarizability models for simulating Raman spectra with molecular dynamics
Berger, Ethan (2024-10-04)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202409035699
Kuvaus
Tiivistelmä
Raman spectroscopy is a versatile and very popular method to study the vibrational properties of molecules and crystals. Simulations of Raman spectra can bring additional insight to experimental results, although such calculations are usually quite limited due to their large computational cost. In order to accelerate simulations, models can be used to predict properties of interest, namely forces and polarizabilities in the case of Raman spectroscopy. For the former, machine learning force fields and classical force fields are well established and commonly used in various applications. On the other hand, the development of polarizability models is still ongoing.
In this thesis, various polarizability models are presented and compared, with a particular interest in their application to Raman spectroscopy. The models range from simple empirical bond models (BPM) to state-of-the-art machine learning algorithms (SA-GPR and TNEP), and also include a newly developed method relying on the projection of vibrational modes (RGDOS). The accuracy of BPM, RGDOS and SA-GPR is first assessed using simple materials, namely boron arsenide (BAs) and molybdenum disulfide (MoS2). These two materials are also used to highlight the advantages and shortcomings of all models when used to obtain Raman spectra.
The best performing models are then applied to study complex materials and molecules, such as titanium carbide MXenes (Ti3C2X2), anharmonic halide perovskites (CsPbBr3 and CsSnBr3) and amino acids chains (known as peptides). By combining machine learning force fields in molecular dynamics with efficient polarizability models, we are able to study longer timescales and larger systems than before. As a result, we find good agreement with experimental measurements for all applications. Additionally, access to larger systems also allows for accurate simulations of defects in a MoS2 monolayer and the simulation of heterogeneous surfaces in the case of MXenes. Similarly, long MD trajectories enable simulations of Raman spectra at low frequencies, which are found to play an important role in the phase transition of halide perovskites. Finally, the transferability of machine learning models is tested using amino acids and peptide chains. These applications bring further insights into the vibrational properties of complex materials and show that all polarizability models presented here could be utilized depending on the investigated system.
Raman-spektroskopia on monipuolinen ja erittäin suosittu menetelmä molekyylien ja kiteiden värähtelyominaisuuksien tutkimiseen. Raman-spektrien simuloinnit voivat tuoda lisäymmärrystä kokeellisiin tuloksiin, vaikka tallaiset laskelmat ovat yleensä melko rajallisia niiden suurten laskentavaatimusten vuoksi. Simulointien nopeuttamiseksi voidaan käyttää malleja, joiden avulla voidaan ennustaa haluttuja ominaisuuksia, kuten voimia ja polarisaatioita Raman-spektroskopian tapauksessa. Edellisten osalta koneoppimiseen perustuvat voimakentät ja klassiset voimakentät ovat vakiintuneita ja yleisesti käytössä eri sovelluksissa. Toisaalta polarisaatiomallien kehittämiseen liittyy vielä paljon avoimia kysymyksiä.
Tässä väitöskirjassa esitellään ja vertaillaan erilaisia polarisaatiomalleja, ja erityistä huomiota kiinnitetään niiden soveltamiseen Raman-spektroskopiaan. Mallit vaihtelevat yksinkertaisista empiirisistä sidosmalleista (BPM) uusimpiin koneoppimisalgoritmeihin (SA-GPR ja TNEP), ja niihin sisältyy myös hiljattain kehitetty menetelmä, joka perustuu värähtelymoodien projektioon (RGDOS). BPM:n, RGDOS:n ja SA-GPR:n tarkkuutta arvioidaan ensin yksinkertaisten materiaalien eli booriarsenidin (BAs) ja molybdeenidisulfidin (MoS2) avulla. Naita kahta materiaalia käytetään myös korostamaan kaikkien mallien etuja ja puutteita Raman-spektreihin sovellettaessa.
Parhaiten toimivia malleja sovelletaan sitten monimutkaisten materiaalien ja molekyylien, kuten titaanikarbidi-MXeenien (Ti3C2X2), anharmonisten halidiperovskiittien (CsPbBr3 ja CsSnBr3) ja aminohappoketjujen (niin sanottujen peptidien) tutkimiseen. Yhdistämällä koneoppimiseen perustuvien voimakenttien molekyylidynamiikkaa tehokkaisiin polarisaatiomalleihin pystymme simuloimaan aiempaa pidempää aikaskaalaa ja suurempia järjestelmiä. Tämän ansiosta lasketut spektrit ovat hyvin yhteneväisiä kokeellisten mittausten kanssa kaikissa sovelluksissa. Lisaksi pääsy suurempiin järjestelmiin mahdollistaa myös MoS2:n kidevikojen tarkan simuloinnin ja heterogeenisten pintojen simuloinnin MXeenien tapauksessa. Vastaavasti pitkät MD-simulaatiot mahdollistavat matalille taajuuksille ulottuvien Raman-spektrien simuloinnin, joilla havaitaan olevan tärkeä rooli halidiperovskiittien faasimuutoksissa. Lopuksi testataan koneoppimismallien siirrettävyyttä aminohappojen ja peptidiketjujen avulla. Nämä sovellukset tuovat lisää tietoa monimutkaisten materiaalien värähtelyominaisuuksista ja osoittavat, että kaikki tässä väitöskirjassa esitellyt polarisaatiomallit voivat olla käyttökelpoisia tutkittavasta järjestelmästä riippuen.
Original papers
-
Berger, E., & Komsa, H.-P. (2024). Polarizability models for simulations of finite temperature Raman spectra from machine learning molecular dynamics. Physical Review Materials, 8(4), 043802. https://doi.org/10.1103/PhysRevMaterials.8.043802 https://doi.org/10.1103/PhysRevMaterials.8.043802
-
Dash, A. K., Swaminathan, H., Berger, E., Mondal, M., Lehenkari, T., Prasad, P. R., Watanabe, K., Taniguchi, T., Komsa, H.-P., & Singh, A. (2023). Evidence of defect formation in monolayer MoS 2 at ultralow accelerating voltage electron irradiation. 2D Materials, 10(3), 035002. https://doi.org/10.1088/2053-1583/acc7b6 https://doi.org/10.1088/2053-1583/acc7b6
-
Berger, E., Lv, Z.-P., & Komsa, H.-P. (2023). Raman spectra of 2D titanium carbide MXene from machine-learning force field molecular dynamics. Journal of Materials Chemistry C, 11(4), 1311–1319. https://doi.org/10.1039/D2TC04374B https://doi.org/10.1039/D2TC04374B
-
Berger, E., Niemelä, J., Lampela, O., Juffer, A. H., & Komsa, H.-P. (2024). Raman spectra of amino acids and peptides from machine learning polarizabilities. Journal of Chemical Information and Modeling, 64(12), 4601–4612. https://doi.org/10.1021/acs.jcim.4c00077 https://doi.org/10.1021/acs.jcim.4c00077
Osajulkaisut
-
Berger, E., & Komsa, H.-P. (2024). Polarizability models for simulations of finite temperature Raman spectra from machine learning molecular dynamics. Physical Review Materials, 8(4), 043802. https://doi.org/10.1103/PhysRevMaterials.8.043802 https://doi.org/10.1103/PhysRevMaterials.8.043802
-
Dash, A. K., Swaminathan, H., Berger, E., Mondal, M., Lehenkari, T., Prasad, P. R., Watanabe, K., Taniguchi, T., Komsa, H.-P., & Singh, A. (2023). Evidence of defect formation in monolayer MoS 2 at ultralow accelerating voltage electron irradiation. 2D Materials, 10(3), 035002. https://doi.org/10.1088/2053-1583/acc7b6 https://doi.org/10.1088/2053-1583/acc7b6
-
Berger, E., Lv, Z.-P., & Komsa, H.-P. (2023). Raman spectra of 2D titanium carbide MXene from machine-learning force field molecular dynamics. Journal of Materials Chemistry C, 11(4), 1311–1319. https://doi.org/10.1039/D2TC04374B https://doi.org/10.1039/D2TC04374B
-
Berger, E., Niemelä, J., Lampela, O., Juffer, A. H., & Komsa, H.-P. (2024). Raman spectra of amino acids and peptides from machine learning polarizabilities. Journal of Chemical Information and Modeling, 64(12), 4601–4612. https://doi.org/10.1021/acs.jcim.4c00077 https://doi.org/10.1021/acs.jcim.4c00077
Kokoelmat
- Avoin saatavuus [38840]