机器学习带电固/液界面的能量学
材料科学
2025-05-27 v1
摘要
我们提出了一种响应增强的机器学习（ML）方法，用于研究带电金属表面的能量学。我们利用局部描述符来学习功函数，将其作为引入偏压电荷的一阶能量变化，并通过玻恩有效电荷来稳定这种学习。这使得机器学习原子间势架构能够高效地扩展到包含高达二阶的有限偏压效应。将其应用于 Cu(100) 上的 OH，从非能斯特电荷诱导的位点切换角度，合理解释了实验观察到的优先吸附位点的 pH 依赖性。
引用
@article{arxiv.2505.19745,
title = {Machine Learning the Energetics of Electrified Solid/Liquid Interfaces},
author = {Nicolas Bergmann and Nicéphore Bonnet and Nicola Marzari and Karsten Reuter and Nicolas G. Hörmann},
journal= {arXiv preprint arXiv:2505.19745},
year = {2025}
}