一种机器学习方法,用于通过23Na/27Al固态NMR动态建模石中的Al分布

科学领域:

• 计算材料科学 计算材料科学
• 固态NMR光谱学 固态NMR光谱学
• 热带石的化学结构

背景情况:

• 石中Al定位/配对的初始计算在计算上昂贵,限制了动态模拟,并导致实验不确定性.
• 现有的模型经常使用静态或短时间的模拟,无法捕捉关键的动态效应和广泛的配置空间.

研究的目的:

• 开发准确和高效的计算方法,以表征氧化焦化物中的位和配对.
• 研究23Na NMR光谱上的动态的影响以及CHA热质中的化学变化.
• 建立23Na化学转移的预测模型,减少对昂贵计算的依赖.

主要方法:

• 开发和应用神经网络潜能 (NNP) 用于动态模拟形式的酸焦化物.
• 使用分散校正的meta-GGA精度探索各种Al/Na安排和Si/Al比率.
• 对23Na NMR光谱,化学转移和双极合常数的分析,包括热和动态贡献.

主要成果:

• 在NNP成功地保持了ab initio准确性,同时实现了广泛的配置和化学空间采样.
• 发现CHA焦中的23Na NMR光谱对位置和Al-Si-Al序列敏感.
• 忽视动力学在光谱形状和合常数中引入了显著的错误 (几ppm).

结论:

• 使用NNP的动态模拟对于精确解释热中实验23Na NMR光谱至关重要.
• 开发了23Na化学转移的预测回归模型,适用于各种Si / Al比率和热带石框架.
• 结合NNP和回归可以加速NMR属性模拟,并捕获被忽视的动态效应.