Machine learning-based molecular dynamics study on the tribological properties of MoSe2

I Transition Metal Dichalcogenides (TMDs) rappresentano un’importante classe di materiali bidimensionali, nota anche per l’utilizzo nel campo dei lubrificanti solidi, fondamentali nella riduzione dell’attrito e, conseguentemente, dei consumi energetici. Grazie alle eccellenti proprietà tribologiche dimostrate, lo studio di questi materiali mediante esperimenti e simulazioni risulta di grande rilevanza. Recentemente, tecniche di simulazione basate sul machine learning si sono dimostrate estremamente efficienti e con un’accuratezza comparabile ai metodi ab initio. In questo contesto, nel presente progetto è stata sviluppata una rete neurale capace di simulare il TMD MoSe2 in condizioni tribologiche. Per addestrare la rete si è utilizzato il software Strategic Configuration Sampling (SCS), che impiega tecniche di active learning per ampliare il dataset iniziale iterativamente. SCS si basa su LAMMPS e DeePMD per le simulazioni di dinamica molecolare e su Quantum ESPRESSO per i calcoli ab initio. Una volta addestrata, la rete è stata impiegata per valutare la Potential Energy Surface (PES), il Minimum Energy Path (MEP) e i valori di shear strength. Sono stati inoltre stimati i valori della forza di attrito e della distanza tra layer in condizioni dinamiche di scorrimento. Infine, è stato possibile ottenere una struttura amorfa e osservare una sua parziale cristallizzazione indotta dal moto relativo tra layer. Nel complesso, i risultati qui ottenuti si sono mostrati consistenti con quelli precedentemente ricavati con tecniche ab initio, confermando l’affidabilità della rete neurale sviluppata in questo lavoro.