Redian新闻
>
Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络

Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

剪切粘度是决定液体宏观流动最重要的输运特性之一,在化学、机械工程、行星科学以及溶质动力学和反应速率等科学技术的各个领域中都发挥着至关重要的作用。作为一种无处不在的分子液体,水具有非凡而复杂的特性。尽管目前已有大量基于密度泛函理论(DFT)和从头算分子动力学(AIMD)的研究工作,但大多数研究都没有涉及到水的粘度特性。这主要是因为第一性原理准确计算水的粘度需要相当长的模拟时间。近年来,随着深度神经网络、高斯过程等方法的兴起,作为原子模拟的强大工具,机器学习训练势够能达到接近量子力学的精度,有望扩展AIMD的模拟范围,从而达到计算粘度等输运特性所需尺寸的要求。


来自意大利国际高等研究院SISSA的Stefano Baroni教授团队,基于密度泛函理论,采用Green-Kubo线性。为达到可接受的统计精度,通常需要较长的模拟时间。针对这一问题,作者使用了深度神经网络势对从头算方法进行了改进。他们首先使用Perdew-Burke-Ernzerhof(PBE)交换关联泛函获得了AIMD结果,对方法进行了验证,其中重点关注了那些对统计数据分析至关重要但经常被忽略的因素。然后,使用由强约束和适当规范(SCAN)泛函生成的数据集训练了第二个NNP。通过比较模拟温度与理论熔点,消除了由于熔化线预测不准确导致的误差,这样对水的剪切粘度的SCAN预测与实验相当吻合。这些结果对未来研究水和其他液体的粘度问题提供了新思路。

该文近期发表于npj Computational Materials 8:139(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。




Viscosity in water from first-principles and deep-neural-network simulations


Cesare Malosso, Linfeng Zhang, Roberto Car, Stefano Baroni & Davide Tisi 



We report on an extensive study of the viscosity of liquid water at near-ambient conditions, performed within the Green-Kubo theory of linear response and equilibrium ab initio molecular dynamics (AIMD), based on density-functional theory (DFT). In order to cope with the long simulation times necessary to achieve an acceptable statistical accuracy, our ab initio approach is enhanced with deep-neural-network potentials (NNP). This approach is first validated against AIMD results, obtained by using the Perdew-Burke-Ernzerhof (PBE) exchange-correlation functional and paying careful attention to crucial, yet often overlooked, aspects of the statistical data analysis. Then, we train a second NNP to a dataset generated from the Strongly Constrained and Appropriately Normed (SCAN) functional. Once the error resulting from the imperfect prediction of the melting line is offset by referring the simulated temperature to the theoretical melting one, our SCAN predictions of the shear viscosity of water are in very good agreement with experiments.

扩展阅读

 
Npj Comput. Mater.: 欲探新材,先学淘宝
Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化
Npj Comput. Mater.: 当反铁磁遇到铁电:让半金属性成为可能
Npj Comput. Mater.: 深度学习预测多种电极材料电压
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 极端机械性能—无边界-无目标搜索及其他Npj Comput. Mater.: 结构描述符大佬观点—不是越精确越好Npj Comput. Mater.: 沸石—大规模精确模拟7 Papers & Radios | Hinton前向-前向神经网络训练算法;科学家造出「虫洞」登Nature封面Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型隆基创始人李振国授课:沉浮动荡20年,我的第一性原理Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化Npj Comput. Mater.: 与材料科学的碰撞:深度学习的近况Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态Npj Comput. Mater.: 超晶格内层中的铁磁性,你测到过吗?Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验Npj Comput. Mater.: 深度学习预测多种电极材料电压Npj Comput. Mater.: 低温晶界迁移—经典模型Npj Comput. Mater.: 高熵合金催化剂—吸附能的线性关系Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!Npj Comput. Mater.: 材料预测—精确可传递Npj Comput. Mater.: 局部原子邻域描述符—无损压缩Npj Comput. Mater.: 打开黑盒子—可解释的机器学习Npj Comput. Mater.: 材料定律—识别与发现的新方法7 Papers & Radios | 用神经网络推开数学推理大门;世界首个宏基因组蛋白质图谱UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士美国婚前财产、婚后财产及个人财产的认定奇特的病人案例公开课预告:Modulus 基于物理信息神经网络(PINN)加速流体力学模拟仿真GNN如何建模时空信息?伦敦玛丽女王大学「时空图神经网络」综述,简明阐述时空图神经网络方法解决神经网络的百年难题,MIT新模型Liquid CfC让模拟大脑动力学成为可能日投降后毛泽东赴重庆国共谈判Prompt总结 | 从MLM预训任务到Prompt Learning原理解析与Zero-shot分类、NER简单实践Npj Comput. Mater.: 有机-无机钙钛矿材料—降解机制Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型Npj Comput. Mater.: 二维材料量子点缺陷—建了数据库德国指挥家的中国妻子Npj Comput. Mater.: 欲探新材,先学淘宝换工记,在911呼叫中心工作
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。