新材料學院運用神經網絡方法研究鈉金屬生長取得進展
?? 新材料學院2020年6月23日訊，我院潘鋒教授團隊在研究工作中取得重要進展。
? ?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極材料，要解決的關鍵科學和技術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，它通常限于數百個原子的大??；另一方面，使用半經驗原子間勢場計算數千個原子的系統相對容易，但是不能保證其準確性。半經驗原子間勢場適合宏觀特性，例如固液轉變溫度，但是原子水平的微觀力可能是不正確的，當與實際相比時，可能導致錯誤的微觀生長機理。
? ?故而介于第一性原理計算和半經驗原子間勢場計算之間，近日，北京大學深圳研究生院新材料學院潘鋒團隊和美國勞倫斯伯克利國家實驗室汪林望團隊聯合提出了一種借助神經網絡（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，與其他機器學習方法相比，能量分解的方法可以通過相同的DFT計算數據獲得更多信息，以達到計算結果既精確而又迅速的目的，訓練步驟示意圖。將這種方法用于金屬鈉原子系統，僅需要1000步DFT分子動力學數據足以訓練準確的模型。在測試集中，DFT模型和SANNP模型關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)表在物理化學材料領域知名期刊 (J. Phys. Chem. Lett. 2020, 11, 1364?1369, Nature Index )上。
圖1 神經網絡力場模擬構建步驟示意圖；DFT模型和SANNP模型比較
? ?
? ?文章同時比較了DFT和SANNP的動力學參數，以驗證其產生相似的結構特性。最后，在一個更大的系統中，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模型的神經網絡力場將來可以成為研究金屬非平衡動力學行為的有力工具。
? ?該工作由潘鋒和汪林望指導完成，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
版權與免責聲明：本網頁的內容由收集互聯網上公開發(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，也不構成其他建議。僅提供交流平臺，不為其版權負責。如涉及侵權，請聯系我們及時修改或刪除。郵箱：sales@allpeptide.com