教育神经网络中的氧化态
材料科学
2026-02-02 v1 计算物理
摘要
虽然准确描述红氧化反应仍是第一性原理计算的挑战，但已证明扩展 Hubbard 函数（DFT+U+V）可提供可靠方法，减轻自互作用误差，在具有强局域 d 或 f 电子的材料中尤为重要。本文首先表明 DFT+U+V 分子动力学能够随时间跟踪氧化态的绝热演化，借助代表性锂离子正极材料。进一步，这使得能够开发受红氧化感知的机器学习势能。我们表明，考虑具有不同氧化态（如由 DFT+U+V 准确预测）的原子作为训练中的不同物种，可获得能够识别红氧化元素正确基态和氧化态模式的势能。这可通过系统性的组合搜索最低能配置或随机方法实现。这为机器学习势能的优势带来了关键技术应用（如可充电电池），这些应用需要准确描述红氧化态的演化。
引用
@article{arxiv.2412.01652,
title = {Teaching oxidation states to neural networks},
author = {Cristiano Malica and Nicola Marzari},
journal= {arXiv preprint arXiv:2412.01652},
year = {2026}
}