水的第一性原理机器学习模型中的均匀冰成核

分子模拟为理解均匀冰成核的微观机制提供了宝贵见解。尽管经验模型已被广泛用于研究该现象，但基于第一性原理计算的模拟迄今仍过于昂贵。在此，我们通过使用在密度泛函理论（DFT）能量与力上训练的高效机器学习模型规避了这一困难。我们利用播种技术，在大气压下、较宽的过冷度范围内，计算了成核速率，并对多达数十万个原子、以第一性原理精度模拟的系统进行了研究。播种技术提供的关键量是临界团簇的尺寸（即在给定过饱和度下，团簇生长或熔化的概率相等的尺寸），该尺寸与经典成核理论方程结合用于计算成核速率。我们发现，在中等过冷度下，我们模型的成核速率与实验测量值在我们计算误差范围内吻合良好。我们还研究了热力学驱动力、界面自由能和堆垛无序等性质对计算速率的影响。