Ag-Au 纳米合金的通用机器学习势及其在表面重构、偏析与扩散中的应用
材料科学
2021-08-16 v1
摘要
由于 Ag-Au 二元纳米合金优异的催化性能，Ag-Au 纳米颗粒和纳米柱等纳米结构 Ag-Au 受到了广泛研究。为了在 Ag-Au 纳米合金的分子模拟中实现高精度，需要以第一性原理精度对表面性质进行建模。本工作中，我们基于深度神经网络提出了一种 Ag-Au 纳米合金的通用机器学习原子间势，其训练数据库由第一性原理计算构建。该势的突出之处在于准确预测了 Au (111) 表面重构以及 Au 向 Ag-Au 纳米合金表面的偏析，而经验力场在这两种情况下均告失败。此外，对于表面吸附原子(adatoms)的吸附与扩散，我们势的总体表现优于经验力场。我们强调，所报道的表面性质在势建模中是盲的，即训练数据库中未显式包含任何表面构型，因此，该势有望对广泛的性质具有强大的泛化能力，并在纳米结构 Ag-Au 演化研究中发挥关键作用，其中自由表面的精确描述是必需的。
引用
@article{arxiv.2108.06232,
title = {A Generalizable Machine-learning Potential of Ag-Au Nanoalloys and its Application on Surface Reconstruction, Segregation and Diffusion},
author = {Yinan Wang and Xiaoyang Wang and Linfeng Zhang and Ben Xu and Han Wang},
journal= {arXiv preprint arXiv:2108.06232},
year = {2021}
}