预测催化活性的最广泛使用的方法是密度功能理论,其结果依赖于所采用的交换相关功能。在这项工作中,研究了功能在预测氢和氧气进化反应(她和OER)中单原子催化剂(SAC)活性中所起的作用。16嵌入在N掺杂石墨烯中的过渡金属(TM)原子进行模拟,并评估了针对混合PBE0功能的广泛采用的Perdew-Burke-ernzerhof(PBE)功能的性能。PBE + U方法也是一种计算上不太复杂的方法,用于纠正密度功能理论中的自我交互误差。对于第一行TM,即3D系统,使用PBE获得的预测与PBE0有很大的偏差,而对于4D和5D系列而言,发现了较小的偏差。PBE + U结果代表了对PBE的改进,尽管仍然存在PBE0的某些差异。这项研究强调了DFT功能在筛选新催化剂和预测催化活性方面的重要性。对于4D和5D金属,PBE的使用似乎可以接受,而在3D系统的情况下,建议使用PBE + U或PBE0方法,特别是对于磁接地态。
ext。0.669 0.945 0.669 T = 0.80(EV)期望。[REF] [REF] 0.668 0.945 0.669 N/A PBE 0.670 EG = 1.23(EV)
稿件的所有计算资源均可在 Git 存储库 [1] 和相关数据文件 [2] 中找到。其中包括用于生成输入文件、运行计算、处理和分析数据以及生成图形的脚本。文件组织在存储库中的 README.md 文件中描述。所有 DFT 计算均使用 FHI-aims [3] 完成,其使用原子中心基组和数值径向部分。我们使用严格的默认基组和网格设置,这可确保本文研究的范德华 (vdW) 体系的结合能数值收敛到 0.1 kcal/mol。MBD 计算借助于集成到 FHI-aims 中的 Libmbd 库 [4] 执行,并且可使用当前开发版本在 FHI-aims 中直接执行 MBD-NL 计算。我们目前的实现不包括函数导数δαVV'[n]/δn,因此本文在自洽PBE密度上评估MBD-NL,而导数的实现仍在进行中。重要的是,已发现由范德华相互作用引起的电子密度变化对相互作用能和核力的影响可忽略不计[5]。S66、X23和S12L集的PBE、PBE0和VV10能量取自[6],其使用与本文相同的数值设置。对于分子晶体,所有DFT和MBD计算均使用逆空间中密度至少为0.8˚A的k点网格。对于硬固体,我们使用了[7]中的k点密度。所有分子和晶体几何形状均直接取自各自的基准集,未进行任何松弛。表 I 报告了 MBD-NL、MBD@rsSCS 和 VV10 与 PBE 和 PBE0 函数结合对一组有机分子晶体(X23,[11])、一组超分子复合物(S12L,[12])和一组 26 种层状材料(称为“26”,[10])的性能。在标准范德华数据集中,S12L 是唯一一个 MBD-NL 与 PBE 和 PBE0 函数结合时实现不同性能的数据集。这主要是因为 PBE 与 π – π 复合物的结合力比 PBE0 略强。对于大型 π – π 复合物,半局部 DFT 和长程范德华模型之间的适当平衡尚不清楚 [6]。在“26”集中,MBD@rsSCS 哈密顿量对 26 种化合物中的 20 种具有负特征值。然而,为了获得有限能量,我们使用了 Gould 等人提出的特征值重标度 [9]。图 1 比较了由 PBE-NL 计算的混合有机/无机界面的结合能曲线以及 Ruiz 等人的 MBD@rsSCS 和 TS 方法的表面变体 [13]。表 II 列出了 DFT+MBD 的时序示例
摘要:锂邻磷酸锂(Li 3 PS 4)已成为固态电池电池的有前途的候选人,这要归功于其高电导阶段,廉价的组件和较大的电化学稳定性范围。尽管如此,Li 3 PS 4中锂离子转运的显微镜机制远非充分理解,PS 4动力学在电荷运输中的作用仍然存在争议。在这项工作中,我们建立了针对最先进的DFT参考的机器学习潜力(PBESOL,R 2扫描和PBE0),以在Li 3 PS 4(α,α,β和γ)的所有已知阶段(α,α,β和γ)的所有已知阶段解决此问题,以实现大型系统大小和时间尺度。我们讨论了观察到的Li 3 PS 4的超级离子行为的物理来源:PS 4翻转的激活驱动了结构性过渡到高导电阶段,其特征在于Li地点的可用性增加以及锂离子扩散的激活能量的急剧降低。我们还排除了PS 4四面体在先前声称的超级离子阶段中的任何桨轮效应,这些阶段以前声称,由于PS 4 Flips的速率和Li-ion Hops在熔化以下的所有温度下,li-ion扩散。我们最终通过强调了Nernst -Einstein近似值以估计电导率的失败来阐明电荷转运中外部动力学的作用。我们的结果表明,对目标DFT参考有很强的依赖性,而PBE0不仅对电子带隙,而且对β-和α -LI 3 PS 4的电导率提供了最佳的定量一致性。
comp。材料计算。∆ e计算。∆ E change PBE (iii) LiF c 10.00 f 8.84 -1.16 NaF c 7.11 f 6.15 -0.97 Mg2F4 c 7.52 f 6.84 -0.68 CaF2 c 7.70 f 7.16 -0.54 SrF2 c 7.27 f 6.83 -0.44 Tl3AsSe3 c 1.16 f 0.74 -0.41 RbF c 5.92 f 5.52 -0.40 Li2I2O6 c 3.30 f 3.81 0.50 (ix) Bi4Cs6I18 f 2.32 i 2.40 0.07 (x) KTaO3 h 2.16 i 2.26 0.10 PBE0 (iii) LiF c 13.45 f 12.29 -1.16 NaF c 10.22 f 9.31 -0.91 Mg2F4 c 10.80 f 10.17 -0.62 CaF2 c 10.63 f 10.14 -0.49 SrF2 c 10.21 f 9.74 -0.47 (vi) Os2As4 b 2.04 e 2.13 0.09 (vii) Fe2P4 d 2.27 e 2.50 0.23 Os2As4 d 1.94 e 2.13 0.18 KTaO3 d 4.32 e 4.45 0.13 AuRb d 0.78 e 0.90 0.12 InP d 1.88 e 1.98 0.10 LiZnAs d 2.10 e 2.19 0.10 (ix) Os2As4 f 2.04 i 2.13 0.09 (x) Os2As4 h 1.94 i 2.13 0.19 KTaO3 h 4.32 i 4.45 0.13 AuRb h 0.82 i 0.94 0.12 CdI2 h 4.05 i 4.16 0.11 InP h 2.03 i 2.12 0.10 SB2TE3 H 1.14 I 1.23 0.09 a:对于比较(i) - (iv),离群值的幅度> 0.4 eV显示,而对于比较(vi),(vii),(ix),(ix)和(x),列出了> 0.09 ev。比较(V)和(VIII)未列出。具体的变化本质上是随机的。
并提出极有可能通过实验实现。19 最近,人们利用第一性原理 DFT 计算来计算某些稀土氮化物钙钛矿 ABN 3(A = La、Ce、Pr、Nd、Pm、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu 和 B = Re、W)的磁矩和热力学稳定性,并提出了它们在氮化物材料领域的众多技术应用。16 在这方面,DFT 现在被认为是一种估算所研究材料的电子和光电特性的优雅方法。电子和光电特性主要由材料的带隙决定。虽然采用局部密度近似 (LDA) 和广义梯度近似 (GGA) 的 DFT 计算低估了 E g 值,33 – 36 但未经筛选的混合函数和 Perdew – Burke – Ernzerhof – Hartree – Fock 交换 (PBE0) 函数会高估化合物相对于其实验对应物的带隙能量。37 – 39 在这方面,使用混合交换关联 (XC) 函数,例如 Heyd – Scuseria – Ernzerhof (HSE)、Becke-3 参数-Lee-Yang-Parr (B3LYP) 和 B3PW91,通过单次 GW (G 0 W 0 ) 近似完成的 DFT 计算可以预测接近实验结果的化合物的 E g 值。 14,33,40 – 48 此类计算的主要缺陷在于它们对计算要求高并且需要高端服务器来运行它们。在这种情况下,机器学习(ML)现在被认为是一种有效的替代途径,可以避免与 DFT 计算相关的固有计算成本,并有助于在材料特性和目标变量(此处为 Eg)之间建立一个简单的模型。49 – 60 尽管最近已成功实施 ML 方法预测氧化物、卤化物钙钛矿和双钙钛矿化合物的带隙,61 – 66 但在预测氮化物钙钛矿的带隙方面尚未发现此类报道。考虑到上述问题,本文旨在从 ML 模型中预测 ABN 3 钙钛矿的带隙。已经进行了 DFT 研究以估计两种新型氮化物钙钛矿 CeBN 3(B = Mo,W)的电子能带结构、Eg 值和光电特性。本文的结构如下:第2节讨论了计算方法,包括ML方法和第一性原理DFT计算。第3.1节分享了ABN 3钙钛矿数据的清理和预处理。第3.2节讨论了ML模型的训练和验证。第3.3节致力于理解两种新发现的氮化物钙钛矿化合物CeBN 3 (B = Mo, W)的结构性质和稳定性。第3节。图4以CeBN 3 化合物的电子能带结构和带隙计算为框架,采用不同层次的DFT理论进行计算。相应的光电特性已在第3.5节中重点介绍。本研究的总体结论已在第4节中讨论。
