纳米集群形成的原子细节来自基于机器学习的潜在模拟

科学领域:

• 纳米科学和纳米技术
• 计算化学的计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 了解金属纳米集群形成机制至关重要,但具有挑战性.
• 现有的计算方法在精度,系统大小和基于溶液的核的模拟时间方面存在局限性.
• 纳米集群核形成的分子细节通常仅通过实验方法无法获得.

研究的目的:

• 开发和验证一种用于模拟溶液中金属纳米集群核的计算方法.
• 在准确性和规模方面克服传统模拟技术的局限性.
• 为模型银纳米集群的核化过程提供分子层面的见解.

主要方法:

• 结合深度神经网络 (DNN) 与温和元动力学 (WT-MetaD) 进行增强的分子模拟.
• 采用基于神经网络潜力的分子动力学来捕捉动态行为.
• 在甲醇中模拟了银纳米 (Ag₆(SCNH₂) ₆) 的核化,包括缩放到30种前体.

主要成果:

• 首次使用DNN实现了密度功能理论 (DFT) 级准确度,用于使用DNN进行溶液中纳米集群形成的建模.
• WT-MetaD模拟揭示了从分散的前体到稳定的集群的几乎无障碍的核化途径.
• 即使在一个由30个随机分布的前体组成的更大的系统中,也证明了自发的核形成,突出显示了该方法的稳定性.

结论:

• 综合DNN和WT-MetaD方法成功地模拟了溶液中的金属纳米集群核.
• 这种计算策略克服了模拟复杂的核化过程的重大挑战.
• 这项研究为对纳米集群形成和设计进行先进的计算研究铺平了道路.