基于机器学习实现的固态锂的振动熵与自由能
材料科学
2024-06-25 v1 统计力学
摘要
固体的振动性质是确定其稳定性、响应和功能性的关键因素，但即使是元素系统，其计算预测也具有挑战性。Ab-Initio 方法在原子相互作用建模方面受限于可实现的系统规模和仿真时间。由于这些限制，机器学习原子势 (MLIP) 正日益流行和成功，作为更快、更可扩展的建模原子相互作用的方法， potentially 在 Ab-Initio 精度方面取得成功。尽管如此，预测熵、自由能和振动性质的方法在准确性、成本和实施难度上各不相同。使用原子位移协方差 (CAD) 预测熵、自由能和有限温度声子色散是一条有前景的道路，但由于 Ab-Initio 方法进行采样的成本高昂，使其进行全面基准测试一直受限。本文采用 MLIP 与 CAD 结合，对预测性质的收敛性进行表征，并确定最优采样策略。我们聚焦于零压下的固态锂，结果表明 MLIP-CAD 方法能够复现实验测得的熵、声子色散以及马特森相变。
引用
@article{arxiv.2406.15491,
title = {Vibrational Entropy and Free Energy of Solid Lithium using Covariance of Atomic Displacements Enabled by Machine Learning},
author = {Mgcini Keith Phuthi and Yang Huang and Michael Widom and Venkatasubramanian Viswanathan},
journal= {arXiv preprint arXiv:2406.15491},
year = {2024}
}