用机器学习势加速电流诱导的分子动力学
介观与纳米尺度物理
2022-11-02 v1
摘要
在载流单分子结(SMJ)中，高度非平衡情形下发生层级化的杂化能量输运过程，包括通过电子-振动相互作用从电子到分子振动的能量转移、通过非谐耦合在不同振动模式内的能量重新分布，以及最终向周围电极的能量输运。全面理解此类过程是其作为单分子器件潜在应用的先决条件。 电流诱导分子动力学(MD)是解决这一复杂问题的理想方法。但计算代价阻碍了其用于现实SMJ的系统性研究。在此，我们通过采用精度可与密度泛函理论相比的机器学习势，使MD模拟速度提升数个数量级。利用该方法，我们表明具有石墨烯电极的SMJ比具有金电极的SMJ产热少一个数量级。我们的工作说明了石墨烯作为SMJ电极的优越热输运性质，这归功于其与分子振动更好的声子谱重叠。
引用
@article{arxiv.2206.05068,
title = {Boosting current-induced molecular dynamics with machine-learning potential},
author = {Gen Li and Bing-Zhong Hu and Wen-Hao Mao and Nuo Yang and Jing-Tao Lü},
journal= {arXiv preprint arXiv:2206.05068},
year = {2022}
}
备注
8 pages with supplemental materials