钴的多价机器学习势：从体材料到纳米颗粒
材料科学
2024-11-05 v2 介观与纳米尺度物理
摘要
我们介绍了铁磁钴的二次谱邻域分析势（q-SNAP）的开发和应用。该机器学习势基于Perdew-Burke-Ernzerhof（DFT-PBE）泛函的密度泛函理论计算训练，能够在接近DFT精度下模拟大系统在广泛温度和压力范围内的长时间尺度。通过紧密再现六方密堆积（hcp）和面心立方（fcc）Co的声子色散、表面能以及不同形状纳米颗粒的相对稳定性进行了验证。该新势的一个重要特征是在长分子动力学模拟中的数值稳定性。利用这一稳健性计算了包含多达9201个原子的纳米颗粒的热容，显示在100 ns后收敛到小于2 J·K⁻¹·mol⁻¹。计算纳米颗粒熔化温度随尺寸的变化，发现收敛到体极限，与实验值非常吻合。因此，新的高精度机器学习势为Co在催化反应中纳米颗粒动力学等进一步应用开辟了令人兴奋的机会。
引用
@article{arxiv.2404.02626,
title = {Polyvalent Machine-Learned Potential for Cobalt: from Bulk to Nanoparticles},
author = {Marthe Bideault and Jérôme Creuze and Ryoji Asahi and Erich Wimmer},
journal= {arXiv preprint arXiv:2404.02626},
year = {2024}
}