基于神经网络的 HfO$_2$ 相变分子动力学研究
材料科学
2024-08-07 v1
摘要
机器学习力场的进步已为 HfO 等化合物的分子动力学 (MD) 仿真开辟了道路，避免了基于 ab-initio 的 MD 计算的高资源消耗，以及传统力场在某些现象下不足的局限。本文描述了一种神经网络力场，其参数化设计旨在复现 HfO 的 r2SCAN 潜能势能景观。基于对等温等压 (NPT) 统计ensemble的自动可微实现，允许单元尺度灵活波动，我们研究了 HfO 的相空间。我们发现，该模型在预测晶格常数及实验 X 射线衍射数据方面表现出色。在约 2000 K 的温度下，晶体从单斜相向外的相变清晰可见，与现有实验数据和先前计算结果一致。在约 3000 K 处，晶格常数出现另一剧烈变化。虽然最终晶格常数趋于立方，但呈现轻微的稳定畸变，且无体积变化。我们进一步表明，这种高温结构与现有高温衍射数据相符。
引用
@article{arxiv.2408.02429,
title = {Neural-network-enabled molecular dynamics study of HfO$_2$ phase transitions},
author = {Sebastian Bichelmaier and Jesús Carrete and Georg K. H. Madsen},
journal= {arXiv preprint arXiv:2408.02429},
year = {2024}
}