乖～尿在里面～不痛的网站,果冻传媒一区二区天美传媒,交换玩美妇小说

?npj Comput. Mater.: 神經網絡勢加速從頭算搜索預測穩定Li-Sn合金

Li-Sn二元系統一直是廣泛研究的焦點，因為它具有富鋰合金的特點和作為電池負極的應用前景。機器學習勢（MLP）已被證明對于尋找穩定的納米顆粒構型至關重要，因為使用DFT進行直接全局優化不切實際，而經驗勢能通常缺乏有效指導從頭算搜索所需的準確性。

在此，美國紐約州立大學Aleksey N. Kolmogorov等人對Li-Sn二元結構的重新研究表明，眾所周知的系統可能仍然包含其他可合成的化合物，且MLPs可有效促進對熱力學穩定材料的從頭算預測。

鑒于迄今為止成功的MLP輔助預測穩定化合物的驚人稀缺性，這項研究的重點是設計用于構建可靠模型、識別可行結構和建立穩定性趨勢的指南，以增加發現從頭算基態的機會。基于此，作者結合進化抽樣和分層訓練建立了一個實用的Li-Sn神經網絡勢，其具有相對適中的10.2?meV/原子的精度，但在無約束搜索中具有可靠的性能。

此外，該模型的構建所涉及的計算成本不到二進制系統探索所需總計算成本的2%。作者在零（升高）溫度下，利用神經網絡勢及DFT對選定的候選者進行分析，篩選超過110萬個（2300個）晶相的成本估計僅為傳統從頭算搜索的0.1~1%。

圖1. 零/高溫下從頭算基態的神經網絡引導識別概述

最終，作者發現了在環境壓力下被忽視的熱力學穩定hR48-Li₃Sn、mS40-LiSn₄及在20?GPa下幾種可能的穩定基態。其中，大型hR48和mS40結構似乎在其他化學系統中沒有類似物。此外，通過為觀察和預測的Li-Sn BCC合金建立一個簡單的模型，作者以19:6的化學計量構建了一個更大的穩定hR75-Li₁₉Sn₆相，該相具有更大的晶胞，這是標準進化搜索無法找到的。

因此，這些發現強調了利用現有的實驗知識結合不同的預測策略、利用全局優化算法探索構型空間及基于穩定性分析的合理設計的好處。此外，由于競爭構型的相似性，幾個meV/原子相對較小的生成焓差對系統誤差和數值誤差是相當不敏感的。由于同樣的原因，振動熵對吉布斯自由能的貢獻對于區分含相關BCC基序的富鋰相無關緊要。因此，在20 meV/原子焓窗中檢測到的絕大多數亞穩相與Li-Sn系統無關。

圖2. Li-Sn合金的DFT熱力學穩定性分析

Prediction of stable Li-Sn compounds: boosting ab initio searches with neural network potentials, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00825-4

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/07/cefc00508e/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

?npj Comput. Mater.: 神經網絡勢加速從頭算搜索預測穩定Li-Sn合金

相關推薦