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

【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計

【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
成果簡介
在實際應用中的有機熱電材料需要高熱力學穩定性和高熱電系數。然而,通過傳統的理論計算來設計有機熱電材料是非常耗時的。近日,新加坡高性能計算研究院張剛、湖南科技大學劉清泉、周五星等人通過結合第一性原理計算、機器學習擬合勢和求解聲子玻爾茲曼輸運方程,提出了一組新的二維共價有機框架半導體2AL-PR-X(X=2H,Ni,Pt,Zn)作為有機熱電材料。
計算方法
作者利用維也納從頭算模擬包(VASP)程序進行基于密度泛函理論(DFT)的第一性原理計算,并使用Perdew–Burke–Ernzerhof(PBE)形式的廣義梯度近似(GGA)來作為交換相關函數。其中,總能量和力的收斂標準分別為10?4 eV/?和10?8 eV,而優化晶體的動能截斷設置為550 eV,并且作者采用20?的真空層來消除層間相互作用。此外,為了獲得矩張量勢(MTP),作者使用時間步長為1fs、溫度為300K和3×3×1超晶胞的400步從頭算分子動力學(AIMD)模擬來作為機器學習原子間勢(MLIP)包的訓練集
在MTP訓練過程中,能量、力和應力是用于驗證MTP相對于DFT誤差的參數,并且在MTP的迭代優化過程中,作者分配給這些參數的權重分別為1、0.1和0.001。MTP可避免DFT的巨大計算成本,以快速計算二階力常數(2nd-FC)和三階力常量(3rd-FC)。而基于MTP的熱輸運計算中,作者使用5×5×1的超胞來獲得2nd-FC和3rd-FC。根據2nd-FC,作者通過Phonopy包得到了聲子譜。此外,基于2nd-FC和3rd-FC,作者可以通過11×11×1 k網格的ShengBTE包求解聲子玻爾茲曼輸運方程來獲得晶格熱導率。
結果與討論
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖1 2AL-PR-X模型結構和能量隨時間的變化
卟啉是一種由四個吡咯類亞基連接的大環有機化合物。卟啉分子環外鍵合的H原子有兩種,一種是吡咯亞基(C2)碳原子上的H原子,另一種是橋接吡咯亞基的碳原子(C4)上的氫原子,它們都可以被有機官能團取代。因此,卟啉分子被乙炔橋接的情況有三種:1)乙炔僅取代C2碳原子上的H;2)乙炔僅取代C4原子上的H;3)乙炔取代了卟啉分子中所有的H。本工作中研究的2AL-PR-X結構基于第一種情況,俯視圖和側視圖如圖1(a)和圖1(b)所示。為了研究2AL-PR-X的結構穩定性,作者在800K的溫度下進行了1 ps的AIMD模擬。如圖1(c)所示,四種結構的能量曲線在100 fs時趨于穩定,這表明2AL-PR-X結構在800K下也能保持穩定。
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖2 2AL-PR-X的晶格熱導率,累積熱導率的頻率依賴性和單聲子模式的晶格熱導率
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖3 2AL-PR-X的ZA模、TA模、LA模和Opt模的弛豫時間和2AL-PR-2H,2AL-PR-Ni,2AL-PR-Pt和2AL-PR-Zn的聲子群速度
如圖2(a)所示,2AL-PR-X的晶格熱導率滿足κp(2AL-PR-Zn)>κp(2AL-PR-2H)>κp(2AL-PR-Ni)>κp(2AL-PR-Pt)。而在100K至900K的溫度范圍內,室溫晶格熱導率分別為9.6W/mK、6.1W/mK,5.1W/mK和4.5W/mK,這表明過渡金屬原子插入卟啉環的中心對晶格熱導率有顯著影響。此外,2AL-PR-Zn的熱導率大于2AL-PR-2H的熱導率,這違背了重原子阻礙熱傳輸的規律。為了解釋這一現象,作者計算了這四種結構的頻率相關累積熱導率,具體如圖2(b)所示。結果表明,2AL-PR-X的熱輸運主要由頻率低于10 THz的聲子貢獻,包括聲學聲子(ZA、TA和LA)和低頻光學聲子(Opt)。如圖2(c)所示,聲學聲子在熱傳輸過程中起著重要作用,而ZA模式在三種聲學模式中起著主要作用。
這是因為在2AL-PR-X結構中,ZA模式的聲子弛豫時間(~103-104 ps)遠高于TA和LA模式的聲子馳豫時間(1~20 ps),具體如圖3(a-d)所示。此外,如圖3(e-h)所示,一些光學聲子模式的群速度也接近聲學模式的群速率,這解釋了光學聲子對熱導率具有顯著貢獻的根本原因。2AL-PR-Pt的光學模式對晶格熱導率的貢獻顯著降低,這是由于光學聲子的群速度在低頻下受到抑制,特別是在5~10THz的頻率范圍內,具體如圖3(g)所示。
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖4 2AL-PR-2H、2AL-PR-Ni、2AL-PR-Pt和2AL-PR-Zn的聲子態密度
如圖4所示,在聲子態密度(PDOS)中,四種結構的PDOS主要來自C原子的貢獻,其他原子的PDOS比C原子低1~2個數量級。這表明2AL-PR-X主要通過共價有機骨架(卟啉環)進行熱傳輸。因此,金屬原子嵌入卟啉環的中心,不僅增強了類吡咯亞基之間的締合,而且在一定程度上改變了卟啉環的振動模式。金屬原子和卟啉環之間的鍵合越強,金屬原子的振動模式和卟啉環的振動之間的雜化就越強,進而阻止了聲子通過卟啉環的振蕩傳播。
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖5 2AL-PR-X的塞貝克系數,電導率,電子熱導率,聲子熱導率以及功率因數和ZT
如圖5所示,作者系統研究了2AL-PR-X的熱電性能,其中包括塞貝克系數、電導率、電子熱導率、聲子熱導率、功率因數和ZT。2AL-PR-X的電子輸運性質僅顯示出輕微的差異,但由于2AL-PR-X晶格熱導率的顯著差異,使ZT差異顯著,具體如圖5(d)所示。如圖5(f)所示,2AL-PR-Pt的ZT在室溫下最高,ZT的峰值約為0.32。另一方面,因為2AL-PR-Zn的晶格熱導率最高,所以2AL-PR-Zn的ZT最低,ZT的峰值僅為0.16。此外,2AL-PR-X的最佳載流子濃度(nopt)均在6×1010cm-2左右。
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
圖6 2AL-PR-Pt在300K、500K和800K下的塞貝克系數,電導率,電子熱導率,聲子熱導率以及功率因數和ZT
如圖6所示,作者計算了2AL-PR-Pt在300-800K溫度范圍內的熱電性能。在該溫度范圍內,2AL-PR-Pt的熱電性能與溫度呈正相關。其中,在300K、500K和800K的溫度下,熱電參數隨載流子濃度的曲線如圖6(a)、(b)和(c)所示,在低載流子濃度范圍(<2×1010cm-2)內沒有ZT峰,這是因為2AL-PR-Pt的帶隙很小,并且隨著溫度的升高,電子被熱激發到低能導帶,因此在低載流子濃度范圍內的塞貝克系數降低,同時電導率和電子熱導率顯著增加。然而,在含有nopt的較高載流子濃度范圍內,每個熱電參數都單調依賴于溫度。即隨著溫度的升高,電導率和電子熱導率降低,塞貝克系數增加,具體如圖6(a)、(b)和(c)所示。
結論與展望
作者發現在中心嵌入金屬原子可以顯著提高卟啉環的穩定性,并且金屬原子和卟啉環之間的相互作用將影響卟啉環中的聲子模式,進而導致熱導率降低。在所研究的2AL-PR-X中,2AL-PR-Pt在室溫下的ZT峰值為0.32,在800K時可以達到0.9左右。該工作為二維共價有機框架材料的熱傳輸調節提供了有效策略,并證明了2AL-PR-X材料在熱電應用中的巨大潛力。
文獻信息
Cheng-Wei Wu et.al Machine learning accelerated design of 2D covalent organic frame materials for thermoelectrics Applied Surface Science 2023
https://doi.org/10.1016/j.apsusc.2023.157947
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計
【計算與機器學習】ASS: 用于熱電的二維共價有機框架材料的機器學習加速設計

 點擊閱讀原文,報名培訓!

原創文章,作者:計算搬磚工程師,如若轉載,請注明來源華算科技,注明出處:http://www.zzhhcy.com/index.php/2024/02/03/b818a47207/

(0)

相關推薦

主站蜘蛛池模板: 迭部县| 广水市| 江门市| 左贡县| 怀远县| 濉溪县| 若尔盖县| 扎兰屯市| 灵丘县| 永福县| 吴旗县| 温宿县| 岳池县| 宜宾市| 丘北县| 台中市| 维西| 苏州市| 定远县| 即墨市| 兴宁市| 文昌市| 永寿县| 扎鲁特旗| 调兵山市| 牙克石市| 乐都县| 雷山县| 尼玛县| 什邡市| 乐业县| 宜阳县| 抚州市| 且末县| 伊金霍洛旗| 贡觉县| 蚌埠市| 台湾省| 陆丰市| 清水河县| 桐梓县|