Smooth Overlap Atomic Position

Un article de Wikipédia, l'encyclopédie libre.

Le SOAP (Smooth Overlap Atomic Position), qui pourrait être traduit par le "recouvrement lissé des positions atomiques", est une méthode invariante en translation et en rotation pour la description de l'environnement atomique d'un point dans l'espace[1]. Il a été présenté pour la première fois par Albert P. Bartók, Risi Kondor et Gábor Csányi en 2013[1]. Par la suite, il a été largement utilisé pour étudier de nombreux systèmes, notamment grâce à ses performances[2],[3] et à sa démocratisation avec la bibliothèque Python DScribe[4].

Principe[modifier | modifier le code]

Le SOAP se base sur la représentation de l'environnement atomique par la somme de la densité de ces derniers, comme écrit dans l'équation suivante[3] :

Avec représentant l'ensemble des atomes appartenant à ce domaine, la position dans l'espace où l'environnement est décrit, et la largeur de la gaussienne.

Le noyau SOAP est alors défini comme le chevauchement des deux densités de voisins atomiques locaux, intégrées sur des rotations tridimensionnelles ici noté  :

Dans le cas = 1, les deux intégrales peuvent être interverties, et donc le noyau perd toute information angulaire du système. Une fois décrit de la manière suivante.

Références[modifier | modifier le code]

  1. a et b (en) Albert P. Bartók, Risi Kondor et Gábor Csányi, « On representing chemical environments », Physical Review B, vol. 87, no 18,‎ (ISSN 1098-0121 et 1550-235X, DOI 10.1103/PhysRevB.87.184115, lire en ligne, consulté le )
  2. (en) Andrea Gardin, Claudio Perego, Giovanni Doni et Giovanni M. Pavan, « Classifying soft self-assembled materials via unsupervised machine learning of defects », Communications Chemistry, vol. 5, no 1,‎ (ISSN 2399-3669, PMID 36697761, PMCID PMC9814741, DOI 10.1038/s42004-022-00699-z, lire en ligne, consulté le )
  3. a et b (en) Sandip De, Albert P. Bartók, Gábor Csányi et Michele Ceriotti, « Comparing molecules and solids across structural and alchemical space », Physical Chemistry Chemical Physics, vol. 18, no 20,‎ , p. 13754–13769 (ISSN 1463-9076 et 1463-9084, DOI 10.1039/C6CP00415F, lire en ligne, consulté le )
  4. (en) Lauri Himanen, Marc O.J. Jäger, Eiaki V. Morooka et Filippo Federici Canova, « DScribe: Library of descriptors for machine learning in materials science », Computer Physics Communications, vol. 247,‎ , p. 106949 (ISSN 0010-4655, DOI 10.1016/j.cpc.2019.106949, lire en ligne, consulté le )