来自机器学习驱动模拟的石墨烯氧化物的机械性能
Zakariya El-Machachi1, Bowen Cheng1, Volker L Deringer1
1Inorganic Chemistry Laboratory, Department of Chemistry, University of Oxford, Oxford OX1 3QR, UK. volker.deringer@chem.ox.ac.uk.
概括
机器学习准确地预测了氧化石墨烯 (GO) 的机械性能. 这种方法为材料应变和断裂提供了原子学的洞察力,促进了对基于碳的材料的理解.
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
- 纳米技术纳米技术
背景情况:
- 石墨烯氧化物 (GO) 具有复杂的化学结构,影响其宏观性质.
- 了解GO结构与机械行为之间的关系对于其应用至关重要.
研究的目的:
- 用先进的计算方法预测石墨烯氧化物板的机械性能.
- 为了获得对GO中压力和断裂的机制的原子洞察力.
主要方法:
- 利用了第一原理模拟与机器学习的原子间潜力相结合.
- 对机械性质的实验数据进行验证的模拟预测.
主要成果:
- 开发的模型准确地预测了GO板的机械性能.
- 在模拟结果和实验观察结果之间达成一致.
- 提供了对应变和断裂过程的详细原子学理解.
结论:
- 原子学机器学习是预测和理解石墨烯氧化物的机械性能的强大工具.
- 这项工作有助于控制和设计具有定制机械性能的碳基材料.


