在金属有机框架中,亚微米声波意味着自由路径,由机器学习揭示分子动力学模拟
Penghua Ying1, Ting Liang2, Ke Xu3
1School of Science, Harbin Institute of Technology, Shenzhen 518055, P. R. China.
ACS applied materials & interfaces
|July 23, 2023
概括
机器学习潜能使金属有机框架 (MOF) 的精确分子动力学模拟成为可能. 这项研究揭示了MOF中的亚微米声平均自由路径,影响了它们的导热性,并挑战了目前的理解.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 凝聚物质物理学 凝聚物质物理学
背景情况:
- 金属有机框架 (MOFs) 具有高孔隙性和可调节结构,使其对各种应用具有前景.
- 了解热传输特性对于MOF应用至关重要.
- 准确的原子间潜力是对MOF分子动力学 (MD) 模拟的挑战.
研究的目的:
- 为MOFs开发准确和高效的机器学习潜力.
- 使用MD模拟研究MOF-5,HKUST-1和ZIF-8的热传输特性.
- 描述声子的行为及其对MOFs热导率的影响.
主要方法:
- 利用神经进化潜力方法开发机器学习潜力.
- 使用GPUMD包来构建潜力和执行MD模拟.
- 对于选定的MOF,计算了格子导热率和声平均自由路径 (MFP).
主要成果:
- 实现了对MOF-5,HKUST-1和ZIF-8的精确而高效的机器学习潜力.
- 在室温下预测的低晶格导热率 (<1W/...mK).
- 在低频区域观察到亚微米声波多重制造器,影响纳米晶体MOF的表面导热.
结论:
- 在MOF中的微微米级声波多重制造器显著影响其热传输特性.
- 这些发现表明,MOF中的导热性对温度有中度的依赖.
- 这项研究促进了对MOF热传输机制的理解,这对于MOF的技术应用至关重要.
