A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Monte Carlo Simulations of Au38(SCH3)24 Nanocluster Using Distance-Based Machine Learning Methods (2020)
Pihlajamäki, A., Hämäläinen, J., Linja, J., Nieminen, P., Malola, S., Kärkkäinen, T., & Häkkinen, H. (2020). Monte Carlo Simulations of Au38(SCH3)24 Nanocluster Using Distance-Based Machine Learning Methods. Journal of Physical Chemistry A, 124(23), 4827-4836. https://doi.org/10.1021/acs.jpca.0c01512
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Pihlajamäki, Antti; Hämäläinen, Joonas; Linja, Joakim; Nieminen, Paavo; Malola, Sami; Kärkkäinen, Tommi; Häkkinen, Hannu
Lehti tai sarja: Journal of Physical Chemistry A
ISSN: 1089-5639
eISSN: 1520-5215
Julkaisuvuosi: 2020
Volyymi: 124
Lehden numero: 23
Artikkelin sivunumerot: 4827-4836
Kustantaja: American Chemical Society
Julkaisumaa: Yhdysvallat (USA)
Julkaisun kieli: englanti
DOI: https://doi.org/10.1021/acs.jpca.0c01512
Julkaisun avoin saatavuus: Ei avoin
Julkaisukanavan avoin saatavuus:
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/69062
Tiivistelmä
We present an implementation of distance-based machine learning (ML) methods to create a realistic atomistic interaction potential to be used in Monte Carlo simulations of thermal dynamics of thiolate (SR) protected gold nanoclusters. The ML potential is trained for Au38(SR)24 by using previously published, density functional theory (DFT) -based, molecular dynamics (MD) simulation data on two experimentally characterised structural isomers of the cluster, and validated against independent DFT MD simulations. This method opens a door to efficient probing of the configuration space for further investigations of thermal-dependent electronic and optical properties of Au38(SR)24. Our ML implementation strategy allows for generalisation and accuracy control of distance-based ML models for complex nanostructures having several chemical elements and interactions of varying strength.
YSO-asiasanat: nanohiukkaset; Monte Carlo -menetelmät; simulointi; koneoppiminen
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen
- Häkkinen, Hannu
- Suomen Akatemia
- Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen
- Kärkkäinen, Tommi
- Suomen Akatemia
- Yliopistojen profiloitumisen vahvistaminen kilpaillulla rahoituksella. Profilointitoimet JYU:ssä, 3. kierros
- Hämäläinen, Keijo
- Suomen Akatemia
OKM-raportointi: Kyllä
Raportointivuosi: 2020
JUFO-taso: 1