结合图形深度学习和伦敦分散的原子间潜力:关于pnictogen chalcohalides的一个案例研究

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:

• 机器学习的原子间潜力,通常基于图形神经网络 (GNN),提供高效的原子材料建模.
• 目前在密度函数理论 (DFT) 数据上训练的GNN潜力经常缺乏像伦敦分散力这样的长距离相互作用.
• 这种遗漏限制了它们对德瓦尔斯相互作用显著的材料的准确性.

研究的目的:

• 研究将半实证分散模型纳入GNN潜力的影响.
• 评估这种组合是否能提高预测分层材料晶体结构和性质的准确性.
• 为了评估分散校正的V-VI-VII化合物的GNN潜力的有效性.

主要方法:

• 开发并应用分散校正的GNN潜力.
• 为BiTeBr和BiTeI.I.提取了状态方程.
• 对各种V-VI-VII化合物进行了晶体结构优化.
• 使用X射线衍射模式和辐射分布函数来描述结构.
• 使用地球移动器距离量化结构差异.

主要成果:

• 分散校正的GNN潜力通常提供了对研究化合物的更现实的描述.
• 包括范德瓦尔斯的景点导致系统改进预测范德瓦尔斯的差距和层厚度.
• 优化的晶体结构在包括分散时,与实验数据的一致性更好.

结论:

• 将GNN潜力与半实证分散模型相结合是一种简单有效的方法.
• 这种方法显著增强了分层极性晶体的描述,而不需要重新训练或参数重新设置.
• 分散校正的GNN潜力代表了准确的原子材料建模的宝贵进步.