SuperSalt：用于多组分熔盐体系的等向性神经网络势能场
材料科学
2024-12-30 v1
摘要
熔盐是清洁能源应用中的关键材料，但尽管如此，跨越化学空间探索其热力学性质仍然具有挑战性。我们开发了一种名为 SuperSalt 的机器学习原子势能（MLIP），旨但针对 11 种阳离子氯化物熔盐，捕捉熔盐本质物理，准确度接近 DFT。通过一种高效的工作流程，将包含 1、2 和 11 组分的系统整合进该模型，SuperSalt 能准确预测密度、体积模量、热膨胀系数和比热容等热力学性质。我们的模型在广泛的化学空间中经过验证，显示出卓越的可迁移性。我们进一步展示了如何将贝叶斯优化与 SuperSalt 结合，以加速发现具有所需性质的最优盐分组成。这项工作为未来研究提供了基础，便于轻松扩展至更复杂的系统，如包含额外元素的系统。SuperSalt 代表了对熔盐进行更通用、更高效且更准确建模的范式变革，这对于先进的能源应用至关重要。
引用
@article{arxiv.2412.19353,
title = {SuperSalt: Equivariant Neural Network Force Fields for Multicomponent Molten Salts System},
author = {Chen Shen and Siamak Attarian and Yixuan Zhang and Hongbin Zhang and Mark Asta and Izabela Szlufarska and Dane Morgan},
journal= {arXiv preprint arXiv:2412.19353},
year = {2024}
}