通过机器学习探索液体金属系统的具有挑战性的特性:液体La和Li₄Pb系统

科学领域:

• 材料科学 材料科学 材料科学
• 计算物理 计算物理
• 凝聚物质物理学 凝聚物质物理学

背景情况:

• 了解和Li4Pb等液态金属的特性对于各种应用至关重要.
• 这些系统的现有理论模型和实验数据具有争论的特征,需要进一步研究.

研究的目的:

• 使用机器学习 (ML) 分子动力学研究液态和Li4Pb合金的独特特性和集体激发.
• 在探索水力动力学制度时,实现与第一原则方法相比较的高精度.
• 挑战现有的权利要求,并为这些液态金属系统的结构和动态方面提供新的见解.

主要方法:

• 机器学习利用了从分子动力学模拟的初始计算中得出的原子间潜力.
• 与实验数据比较结构因子和配对分布函数.
• 在水力动力学状态下分析了集体激发,特定热比和传输系数.

主要成果:

• 在液态中发现了两个横向集体激发分支,与速度自相关函数有关.
• 观察到液态兰他在一般化特异热比率中的特殊行为,仅用ab initio方法无法辨别.
• 在液体Li4Pb的纵向分散关系中确定了多个分支,包括非水力动态LiLi光学模式.

结论:

• 这种ML方法为液态和Li4Pb的结构和动态特性提供了精确和新的见解.
• 该研究坚定地确定了争论的特征,并揭示了这些液体金属系统中意想不到的特征.
• 这项工作突显了ML分子动力学在凝聚物质物理学中探索复杂现象的能力.