利用高维神经网络预测氧化态与自旋态：在锂锰氧尖晶石中的应用

锂离子电池常含有过渡金属氧化物如 Li$_{x}$Mn$_2$O$_4$（$0\leq x\leq2$）。依据 Li 含量不同，存在不同比例的 Mn$^\text{III}$ 与 Mn$^\text{IV}$ 离子。结合电子跳跃，Mn$^\text{III}$O$_6$ 八面体的扬-泰勒畸变可引发诸如结构转变与电导等复杂现象。虽然对于小型模型体系，氧化态与自旋态可通过密度泛函理论（DFT）确定，但利用 DFT 研究动力学现象过于昂贵。此前我们已表明，高维神经网络势可将 Li$_{x}$Mn$_2$O$_4$ 的分子动力学（MD）模拟扩展至纳秒时间尺度，但这些模拟未提供电子结构信息。本文我们将神经网络的应用扩展至原子氧化态与自旋态的预测。所得高维神经网络能以仅 0.03 $\hbar$ 的误差预测 Mn 离子的自旋。我们发现 Mn e$_\text{g}$ 电子被正确守恒，且针对不同 Li 负载量，扬-泰勒畸变的 Mn$^\text{III}$O$_6$ 八面体数量被精确预测。在 280 至 300 K 之间观察到电荷有序转变，与电阻率测量相符。此外，相变之上电子跳跃传导的活化能被预测为 0.18 eV，与实验仅偏差 0.02 eV。本工作表明，机器学习能够在第一性原理 MD 无法触及的时间与长度尺度上，准确表征 Li$_x$Mn$_2$O$_4$ 的几何与电子结构动力学。