KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-19
Elektrifizierte Metall-Wasser-Grenzflächen bei konstantem Potenzial: Dateneffizientes Transferlernen für maschinenlernbasierte Molekulardynamik
Originaltitel: Electrified Metal-Water Interfaces at Constant Potential: Data-Efficient Transfer Learning for Machine-Learning-Based Molecular Dynamics
Die Simulation elektrifizierter Metall-Wasser-Grenzflächen bei konstantem Potenzial mit explizitem Lösungsmittel ist mit Ab-initio-Methoden prohibitiv teuer. TRECI nutzt Transfer Learning von universellen und domänenspezifischen Modellen, um Machine-Learning-Kraftfelder aus einer reduzierten Anzahl von Referenzkonfigurationen aufzubauen. Für Cu(111)-Wasser liefern Modelle, die mit etwa eintausend Konfigurationen trainiert wurden, genaue Molekulardynamik und erfassen die spannungsabhängige Umstrukturierung des Lösungsmittels.