作者结合ML辅助DFT研究,发现带隙和光吸收系数范围广泛,分别为1.2至2.1 eV和25–66 μm−1,适用于各种化学计量,可产生热力学稳定的化合物。通过物理途径实验合成了Bi0.3Sb0.7SeI固溶体,并在结构和光学层面进行了表征,发现与ML辅助DFT预测一致。此外,宏观RTT建模确定串联BiSBr-BiSeI器件是最佳多结太阳能电池,在强度...
1.4. 主流机器学习力场模型的详析与对比 2. 实例操作:(以石墨烯等二维材料为例,深度探究MACE及其他ML力场模型的实践应用) 2.1. NequIP或MACE模型超参数设置与实际应用 2.2. 结合LAMMPS或ASE使用MACE模型构建势函数 2.3. MACE与DeePMD、NEP的精度、数据...
1、本文通过密度泛函理论(DFT)计算和机器学习(ML)方法,研究了单原子催化剂(SACs)在Mg-CO2电池中的催化效应,特别关注提高Mg-CO2电池的充电动力学性能。 2、作者发现在卟啉基底上支持的3d和4d过渡金属SACs表现出较强的MgCO3吸附能力,前族过渡金属的吸附能力更高,这可以归因于其空的d轨道,使得d带中心向费米能级上...
最近,来自韩国成均馆大学的Kotiba Hamad教授等人提出了一种基于机器学习(ML)的研究策略,用于加速晶体材料弹性模量(B和G)的计算,并基于Pugh准则(G/B)评估了这些材料的韧性-脆性(DB)行为。研究结果表明:通过使用集成学习算法(XGB-Ada)构建的用于...
马里兰大学李腾AFM:DFT和ML助力设计双原子OER/ORR催化剂 双原子{attr}3107{/attr}(double-atom catalysts, DACs)不仅具有单原子催化剂(single-atom catalyst, SACs)的优点(例如最高的原子利用率、高活性和选择性),而且克服了SACs的缺点(例如低负载和孤立的活性位点),而受到了越来越多的关注。然而,由于DACs的设计...
基于实验和理论上已知的晶格热导率数据,ML可以建立起晶格热导率和特征参量(比如原子质量、声子频率、晶胞体积等)之间的映射关系。与DFT和MD方法相比,数据驱动的机器学习模型可以对训练集内外各种体系的晶格热导率进行精确的高通量预测。除了这种直接预测方法,ML还可以用来构建MD模拟所需的原子间势函数从而间接预测晶格...
作者将这种DFT+ML的研究策略应用到了2个材料系统,即还原的金红石TiO2(110)和Nb掺杂的SrTiO3(001)。结果表明,该策略可以正确识别任意载流子密度的基态极化子构型,且该方法不仅能够识别具有静态掺杂/空位的极化子构型,还可以进一步扩展到其他类型、其他材料的缺陷。该方法对于超胞具有任意可拓展性,能够实现大尺度模拟...
将ML 纳入该领域的一个有前途的方向是开发一系列基于深度神经网络 (NN) 的试验波函数;近期的研究结果表明,它可以胜过最好的高精度量子 Monte Carlo 方法。另一个方向是从原子坐标(系统配置)直接预测波函数、电子密度或哈密顿矩阵。第三个方向是使用神经网络对 XC 泛函建模以实现高精度 DFT。
在此,北京化工大学张欣教授、杨宇森等人报道了一种数据驱动策略,采用DFT与机器学习(ML)算法相结合来预测1120个DMSCs(两个过渡金属原子嵌入在氮掺杂石墨烯中,即M1-M2-N6-Gra,金属和氮的配位数(ω)在2~4之间)的催化性能,以筛选出高效的CO2RR电催化剂。
机器学习(ML)、数据科学和分析的革命性发展,以及它在材料科学中的应用,是过去十年科学界的一个重要里程碑。由于析氧反应(OER)在一系列电化学能量转换过程中的重要性,研究活性高、稳定性好和经济效益优异的OER催化剂至关重要。 韩国顺天乡大学Hwanyeol Park教授和汉阳大学Ho Jun Kim教授等人设计了一种高效的高通量...