基于机器学习的 TiO$_2$(110) 表面极化子-空位模式预测
材料科学
2024-01-23 v1
摘要
氧化物的多面物理性质由其组成和缺陷的存在所塑造，而缺陷通常伴随着极化子的形成。极化子与缺陷的同时存在及其复杂的相互作用，给第一性原理模拟和实验技术带来了挑战。在本研究中，我们利用机器学习和第一性原理数据库，分析了金红石 TiO(110) 表面氧空位 (V) 及诱导小极化子的分布，有效地解开了极化子与缺陷之间的相互作用。通过结合神经网络监督学习和模拟退火，我们阐明了扫描探针显微镜 (SPM) 中观察到的非均匀 V 分布。我们的创新方法使我们能够在以前无法达到的长度尺度上理解和预测缺陷表面模式，并识别出特定类型缺陷的具体作用。具体来说，我们识别出了稳定表面极化子的 V 构型，这可能对表面反应性产生影响。
引用
@article{arxiv.2401.12042,
title = {Machine Learning Based Prediction of Polaron-Vacancy Patterns on the TiO$_2$(110) Surface},
author = {Viktor C. Birschitzky and Igor Sokolovic and Michael Prezzi and Krisztian Palotas and Martin Setvin and Ulrike Diebold and Michele Reticcioli and Cesare Franchini},
journal= {arXiv preprint arXiv:2401.12042},
year = {2024}
}