在应用材料中通过图形神经网络研究材料接口扩散现象
1Institute of Applied Physics and Materials Engineering, University of Macau, Avenida da Universidade, Taipa, Macao SAR 999078, China.
ACS applied materials & interfaces
|October 3, 2024
概括
这项研究引入了一种新的图形神经网络 (GNN) 方法,用于预测材料接口扩散. 该GNN模型准确预测扩散系数和通路,帮助材料设计.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 数据科学数据科学数据科学
背景情况:
- 接口扩散对于半导体,电池和催化剂至关重要.
- 准确预测扩散是具有挑战性的,但对于材料开发至关重要.
研究的目的:
- 开发一种新的图形神经网络 (GNN) 模型,用于预测材料接口扩散.
- 为理解和优化材料接口特性提供计算工具.
主要方法:
- 收集并预处理的实验和模拟扩散数据.
- 构建了一个代表原子结构和扩散参数的GNN模型.
- 用于特征学习的图形卷积和注意层.
主要成果:
- 实现了对扩散系数,速率和度概况的准确预测.
- 使用GNN模型确定了潜在的扩散途径.
- 证明了该模型在各种材料系统中的有效性.
结论:
- GNN方法为建模材料接口扩散提供了一种强大的新方法.
- 这种工具可以在先进材料的设计和工程方面显著帮助.
- 这些发现提供了应对材料接口扩散长期存在的挑战的策略.
