A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Monte Carlo Simulations of Au38(SCH3)24 Nanocluster Using Distance-Based Machine Learning Methods (2020)


Pihlajamäki, Antti; Hämäläinen, Joonas; Linja, Joakim; Nieminen, Paavo; Malola, Sami; Kärkkäinen, Tommi; Häkkinen, Hannu (2020). Monte Carlo Simulations of Au38(SCH3)24 Nanocluster Using Distance-Based Machine Learning Methods. Journal of Physical Chemistry A, 124 (23), 4827-4836. DOI: 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

Avoin saatavuus: Julkaisukanava ei ole avoin

Julkaisukanavan avoin saatavuus:

Julkaisun 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


OKM-raportointi: Kyllä

Raportointivuosi: 2020

Alustava JUFO-taso: 1


Viimeisin päivitys 2021-02-02 klo 09:51