使用基础模型模拟电喷雾推进器中离子液体的碎裂

预测离子液体撞击萃取极表面的产物对于电喷雾推进器寿命分析至关重要，然而现有的原子级方法需要在化学保真度与计算成本之间进行折中。反应力场能够实现高通量采样，但不能显式解析电子电荷重排，且可能遗漏撞击过程中的相关反应路径；而混合量子-经典密度泛函理论分子动力学（DFT/MD）能够捕捉电荷重排和中性产物形成，但计算成本显著更高。预训练的原子级基础模型近期已成为以低得多的成本获得类 DFT 化学保真度的潜在途径。在此，我们将两种预训练的机器学习原子间势，即 MACE-MP-0 (medium) 和 MACE-POLAR-1，与 DFT/MD 和 ReaxFF 进行了基准对比，用于 1-乙基-3-甲基咪唑四氟硼酸盐（EMI-BF$_4$）的几何优化以及 10-100 eV 撞击模型 Au 萃取极表面的模拟。这些模型重现了在 DFT/MD 中观察到的若干碰撞结果，包括离子解离、高能共价碎裂，特别是通过类中和化学形成 HF 的过程，而这在 ReaxFF 模拟中未被捕捉到。在计算性能基准测试中，MACE-POLAR-1 和 MACE-MP-0 (medium) 分别在 5.12 和 2.54 分钟内完成了每条 2 ps 的轨迹，在报告的基准条件下，其挂钟时间比 DFT/MD 参考短约四个数量级。这些结果支持将预训练机器学习势作为一种化学解析电喷雾撞击模拟的实用中等成本方法，并推动了利用 DFT 数据进行针对性微调，以广泛应用于电喷雾推进器和电推进建模。