基于第一性原理与深度神经网络模拟的水的黏度
材料科学
2022-07-05 v3 无序系统与神经网络
软凝聚态物质
摘要
我们报道了在近环境温度条件下对液态水黏度的一项广泛研究，该研究在线性响应与基于密度泛函理论（DFT）的平衡第一性原理分子动力学（AIMD）的 Green-Kubo 理论框架内进行。为应对达到可接受统计精度所需的长时间模拟，我们的第一性原理方法借助深度神经网络势（NNP）得以增强。该方法首先对照使用 Perdew-Burke-Ernzerhof (PBE) 交换关联泛函获得的 AIMD 结果进行验证，并仔细关注统计数据分析中关键却常被忽视的方面。随后，我们训练了第二个 NNP，用于由 Strongly Constrained and Appropriately Normed (SCAN) 泛函生成的数据集。一旦将由融化线预测不完美导致的误差，通过把模拟温度参照理论融化温度来抵消，我们对水剪切黏度的 SCAN 预测便与实验非常吻合。
引用
@article{arxiv.2203.01262,
title = {Viscosity in water from first-principles and deep-neural-network simulations},
author = {Cesare Malosso and Linfeng Zhang and Roberto Car and Stefano Baroni and Davide Tisi},
journal= {arXiv preprint arXiv:2203.01262},
year = {2022}
}