长时间规模的分子动力学模拟化脱通过机器学习启用原子间潜力
Oliver Morrison1, Elena Uteva1, Gavin S Walker2
1Advanced Materials Research Group, Faculty of Engineering, University of Nottingham, Nottingham NG7 2RD, United Kingdom.
ACS applied energy materials
|January 17, 2025
概括
机器学习模拟显示,地下分子 (H2) 的形成和化 (MgH2) 的捕获阻碍了其脱动力学. 改善H2扩散或阻止地下形成可以提高储存性能.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 化 (MgH2) 是一种用于储存的经济有效材料.
- 它的实际应用受高脱温度和缓慢的动力学限制.
- 催化剂和物理重组可以改善动力学,但机制尚不清楚.
研究的目的:
- 为了研究MgH2脱动力学的潜在机制.
- 为了探索地下气行为的作用.
- 开发一个MgH2材料属性的预测模型.
主要方法:
- 为Mg-H系统开发一种机器学习的原子间潜力 (MLP).
- 长时间分子动力学 (MD) 模拟 (高达1 ns) 的MgH2表面板块.
- 对分子 (H2) 形成和扩散动态的分析.
主要成果:
- 在MgH2中前所未有的地表H2形成的观测.
- 确定地下H2捕获作为缓慢脱的关键因素.
- 地下H2扩散和整体反应动力学之间的相关性.
结论:
- 表面下H2的行为显著影响MgH2脱动力学.
- 催化剂可以通过抑制地下H2形成和捕获来改善动力学.
- 物理重组可以通过通过缺陷促进地下H2扩散来增强动力学.
