面向电化学界面机器学习势能的混合介电响应表示
化学物理
2025-07-08 v1
摘要
从微观层面理解电化学界面对于阐明电催化、电池和腐蚀等重要电化学过程至关重要。虽然 模拟已为模型系统提供了宝贵的见解，但其高计算成本限制了其在解决与实际应用相关的复杂系统方面的应用。机器学习势能提供了解决方案，但其在电化学领域的应用仍面临对电子导体和绝缘体介电响应同时处理的困难。本文提出了一种混合框架的机器学习势能，能够通过统一电解质中局部电子极化和金属电极中的非局部电荷转移来模拟金属/电解质界面。我们通过再现 Pt(111)/电解质界面上钟形曲线的微分赫姆霍兹电容来验证该方法。此外，我们将机器学习势能应用于计算界面处的介电剂量，为电子极化效应提供了新的见解。我们的工作为在 精度下使用机器学习势能对复杂真实电化学界面进行原子级建模奠定了基础。
关键词
引用
@article{arxiv.2407.17740,
title = {Machine Learning Potential for Electrochemical Interfaces with Hybrid Representation of Dielectric Response},
author = {Jia-Xin Zhu and Jun Cheng},
journal= {arXiv preprint arXiv:2407.17740},
year = {2025}
}