通过超快的NMR模拟实时跟踪原子
Angela F Harper1, Tabea Huss1, Simone S Köcher1,2
1Fritz-Haber Institute of the Max Planck Society, Berlin, Germany. harper@fhi.mpg.de.
Faraday discussions
|September 18, 2024
概括
本研究介绍了一种多尺度机器学习方法,用于模拟离子固体电解质中的固态核磁共振 (ssNMR) 的原子结构和动态. 该方法准确地预测了离子扩散速率,推进了材料发现的NMR晶体学.
科学领域:
- 计算材料科学科学 计算材料科学
- 固态核磁共振 (ssNMR) 是一种技术.
- 机器学习在化学中的应用
背景情况:
- 精确模拟原子结构和动力学对于理解Li3PS4 (LPS) 等固态电解质材料至关重要.
- 固态核磁共振 (ssNMR) 可观测物,特别是7Li四极频率,为离子扩散提供了洞察力.
- 现有的机器学习力场往往难以捕获ssNMR分析离子动态所需的微秒时间尺度.
研究的目的:
- 开发和应用一个多尺度的机器学习方法,用于联合模拟原子结构,动力学和ssNMR可观测的数据.
- 在Li3PS4 (LPS) 中研究离子扩散,使用自旋对齐回声 (SAE) NMR和机器学习.
- 为了能够准确地预测ssNMR数据在实验相关的时间尺度和温度.
主要方法:
- 利用超快潜能 (UFP),这是一种新的机器学习类型的原子间潜能,以访问长时间尺度 (>1微秒).
- 开发了一种机器学习模型来预测LPS中的7Li电场梯度 (EFG) 张量.
- 将UFP轨迹与EFG张量预测结合起来,以计算7Li四极频率的自相对应函数 (ACF).
主要成果:
- 在微秒到毫秒的时间尺度上成功模拟了结晶β-LPS和无形LPS中的离子扩散动力学.
- 从四极频率的ACF中提取Li跳跃率,显示与Li动态的良好一致.
- 证明机器学习方法可以在实验相关的时间尺度上预测Li跳跃率.
结论:
- 多尺度机器学习方法可以高效准确地模拟SSNMR对固态材料的可观测值.
- 这种方法为NMR结晶学开辟了新的途径,特别是对于多晶体和玻璃陶材料.
- 该研究强调了机器学习在材料科学中弥合模拟和实验观测之间的差距的潜力.
