新材料學(xué)院運用神經(jīng)網(wǎng)絡(luò)方法研究鈉金屬生長取得進(jìn)展
?? 新材料學(xué)院2020年6月23日訊，我院潘鋒教授團(tuán)隊在研究工作中取得重要進(jìn)展。
? ?下一代電池要用更高能量密度的鋰金屬和鈉金屬作為鋰電池和鈉電池負(fù)極材料，要解決的關(guān)鍵科學(xué)和技術(shù)問題是如何控制和抑制金屬的枝晶生長，因此從理論上研究金屬晶體微觀生長機理至關(guān)重要。金屬晶體的生長模擬可分為兩大類：一類基于第一性原理計算密度泛函理論（Density functional theory, DFT），另一類基于半經(jīng)驗原子間勢場（Molecular dynamics force fields, FF），例如嵌入式原子方法（Embedded atom method, EAM）。這些方法的選擇取決于計算精度和計算成本，一方面，使用第一性原理計算的優(yōu)勢是高精度，但由于其高昂的成本和O(N3)縮放比例，它通常限于數(shù)百個原子的大?。涣硪环矫?，使用半經(jīng)驗原子間勢場計算數(shù)千個原子的系統(tǒng)相對容易，但是不能保證其準(zhǔn)確性。半經(jīng)驗原子間勢場適合宏觀特性，例如固液轉(zhuǎn)變溫度，但是原子水平的微觀力可能是不正確的，當(dāng)與實際相比時，可能導(dǎo)致錯誤的微觀生長機理。
? ?故而介于第一性原理計算和半經(jīng)驗原子間勢場計算之間，近日，北京大學(xué)深圳研究生院新材料學(xué)院潘鋒團(tuán)隊和美國勞倫斯伯克利國家實驗室汪林望團(tuán)隊聯(lián)合提出了一種借助神經(jīng)網(wǎng)絡(luò)（Neural network, NN）來模擬鈉金屬晶體生長的方法（SANNP，全稱Single atom neural network potential），該模型創(chuàng)新性地加入DFT能量分解的方法，計算體系中單個原子的能量，與其他機器學(xué)習(xí)方法相比，能量分解的方法可以通過相同的DFT計算數(shù)據(jù)獲得更多信息，以達(dá)到計算結(jié)果既精確而又迅速的目的，訓(xùn)練步驟示意圖。將這種方法用于金屬鈉原子系統(tǒng)，僅需要1000步DFT分子動力學(xué)數(shù)據(jù)足以訓(xùn)練準(zhǔn)確的模型。在測試集中，DFT模型和SANNP模型關(guān)于原子能量和力的比較。該工作近日以”Neural Network Force Fields for Metal Growth Based on Energy Decompositions”為題，發(fā)表在物理化學(xué)材料領(lǐng)域知名期刊 (J. Phys. Chem. Lett. 2020, 11, 1364?1369, Nature Index )上。
圖1 神經(jīng)網(wǎng)絡(luò)力場模擬構(gòu)建步驟示意圖；DFT模型和SANNP模型比較
? ?
? ?文章同時比較了DFT和SANNP的動力學(xué)參數(shù)，以驗證其產(chǎn)生相似的結(jié)構(gòu)特性。最后，在一個更大的系統(tǒng)中，模擬金屬從液態(tài)到固態(tài)的生長過程，以證明SANNP模型具有模擬真實生長過程的能力，見圖。作者期望類似SANNP模型的神經(jīng)網(wǎng)絡(luò)力場將來可以成為研究金屬非平衡動力學(xué)行為的有力工具。
? ?該工作由潘鋒和汪林望指導(dǎo)完成，論文第一作者為碩士生胡欽，潘鋒教授和汪林望教授為共同通訊作者。該項工作得到國家材料基因工程重點研發(fā)計劃、廣東省重點實驗室項目、深圳市科技創(chuàng)新委員會項目、美國能源部材料理論項目等大力支持。
? ?
鏈接：https://pubs.acs.org/doi/10.1021/acs.jpclett.9b03780?ref=pdf
版權(quán)與免責(zé)聲明：本網(wǎng)頁的內(nèi)容由收集互聯(lián)網(wǎng)上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點或證實其真實性，也不構(gòu)成其他建議。僅提供交流平臺，不為其版權(quán)負(fù)責(zé)。如涉及侵權(quán)，請聯(lián)系我們及時修改或刪除。郵箱：sales@allpeptide.com