以机器学习桥接尺度：从第一性原理统计力学到连续相场计算以研究LixCoO2中的有序-无序转变
计算工程、金融与科学
2023-02-20 v1
摘要
LixTMO2（TM=Ni, Co, Mn）构成了一类重要的锂离子电池正极材料家族，其性能强烈依赖于锂组分相关的晶体结构和相稳定性。在此，我们使用LixCoO2（LCO）作为模型系统，来基准测试一个机器学习赋能的框架，用于桥接材料物理中的尺度。我们关注两个尺度：(a) 由密度泛函理论指导的统计力学描述的数千原子组装体，以及 (b) 用于研究LCO中有序-无序转变动力学的连续相场模型。尺度桥接的核心是通过对特定原子构型的形成能进行粗粒化，来严格、定量准确地表示该材料系统的自由能密度和化学势。我们开发了主动学习工作流，来训练最近发展的可积深度神经网络，以表示此类高维自由能密度和化学势函数。由此产生的、由第一性原理指导的、机器学习赋能的相场计算，使我们能够研究LCO正极在温度、形貌、充放电循环和颗粒尺寸方面的相演化。
引用
@article{arxiv.2302.08991,
title = {Bridging scales with Machine Learning: From first principles statistical mechanics to continuum phase field computations to study order disorder transitions in LixCoO2},
author = {G. H. Teichert and S. Das and M. Faghih Shojaei and J. Holber and T. Mueller and L. Hung and V. Gavini and K. Garikipati},
journal= {arXiv preprint arXiv:2302.08991},
year = {2023}
}
备注
46 pages, 15 figures