应用于热致与机械致波纹的六方氮化硼机器学习势
材料科学
2020-10-06 v3
摘要
我们基于高斯近似势（GAP）机器学习方法，为六方氮化硼（hBN）引入了一种原子间势。该势基于从密度泛函理论（DFT）模拟收集的配置训练集，能够处理块体及多层 hBN 以及任意手性的纳米管。所开发的力场忠实再现了 DFT 预测的势能面，同时将效率提高了数个数量级。我们通过将形成能、几何性质、声子色散谱和力学性质与基准 DFT 计算和实验进行比较来测试我们的势。此外，我们利用我们的模型以及最近开发的石墨烯-GAP，分析和比较大规模二维（2D）hBN 和石墨烯中热致与机械致波纹。两种材料表现出几乎相同的标度行为，高度涨落的幂律指数 ，与柔性膜理论吻合良好。然而，基于其较低的弯曲阻力，hBN 在零和有限外加应变下均经历略大的面外偏移。在压缩时，两种材料均观察到从非相干波纹运动到孤子-波纹的相变。我们的势可在 [http://www.libatoms.org] 免费在线获取。
引用
@article{arxiv.2007.11448,
title = {Machine Learning Potential for Hexagonal Boron Nitride Applied to Thermally and Mechanically Induced Rippling},
author = {Fabian L. Thiemann and Patrick Rowe and Erich A. Müller and Angelos Michaelides},
journal= {arXiv preprint arXiv:2007.11448},
year = {2020}
}
备注
This article has been accepted for publication in the Journal of Physical Chemistry C