机构名称：
¥ 3.0
非晶态固体材料因其离子电导率、稳定性和可加工性等优良特性，在储能领域引起了越来越多的关注。然而，与块体晶体材料相比，密度泛函理论 (DFT) 计算的规模限制和实验方法的分辨率限制阻碍了对这些高度复杂亚稳态系统的基本理解。为了填补知识空白并指导非晶态电池材料和界面的合理设计，我们提出了一个基于机器学习的原子间势的分子动力学 (MD) 框架，该框架经过动态训练，以研究非晶态固体电解质 Li 3 PS 4 及其保护涂层非晶态 Li 3 B 11 O 18 。使用机器学习势使我们能够在 DFT 无法访问的时间和长度尺度上模拟材料，同时保持接近 DFT 水平的精度。这种方法使我们能够计算非晶化能、非晶-非晶界面能以及界面对锂离子电导率的影响。这项研究证明了主动学习的原子间势在将从头算建模的应用扩展到更复杂和现实的系统（例如非晶材料和界面）方面的良好作用。
固-液中非晶-非晶界面的性质...
主要关键词
相关文件推荐
