PYSED：从分子动力学模拟中提取动能加权声子色散和寿命的工具
计算物理
2025-09-18 v5
摘要
机器学习势驱动的分子动力学（MD）模拟显著提高了多种材料热输运性质的预测精度。然而，从这些模拟中提取声子模式分辨的见解仍然是一个关键挑战。在此，我们介绍 PYSED，一个基于谱能量密度（SED）方法构建的 Python 包，旨在从大规模 MD 模拟轨迹中高效计算动能加权声子色散并提取声子寿命。通过集成高精度的机器学习神经进化势（NEP）模型，我们验证并展示了所实现的 SED 方法在不同维度系统上的有效性。具体来说，NEP 驱动的 MD-SED 准确揭示了碳纳米管中声子模式如何受应变影响，以及二维二硫化钼中层间耦合强度和扭转角的影响。对于三维系统，SED 方法有效地建立了金属有机框架的热输运机制图，区分了类粒子和类波传播区域。此外，以体硅为例，我们展示了声子 SED 可以基于路径积分轨迹高效捕获量子动力学。PYSED 包弥合了 MD 模拟与详细声子模式见解之间的差距，为研究各种材料的热输运性质及其详细机制提供了一个强大的工具。
引用
@article{arxiv.2505.00353,
title = {PYSED: A tool for extracting kinetic-energy-weighted phonon dispersion and lifetime from molecular dynamics simulations},
author = {Ting Liang and Wenwu Jiang and Ke Xu and Hekai Bu and Zheyong Fan and Wengen Ouyang and Jianbin Xu},
journal= {arXiv preprint arXiv:2505.00353},
year = {2025}
}
备注
16 pages in main text; 9 figures in main text, 5 figures in SI