机器学习驱动的分子动力学研究LiF-SmF3盐
Fei Liu1, Kailei Sun1, Xu Wang1
1School of Metallurgical Engineering, Jiangxi University of Science and Technology, Ganzhou, China.
Journal of computational chemistry
|October 14, 2025
概括
一个新的机器学习模型准确地预测了LiF-SmF3盐系统的特性,这对于通过电解生产Sm-Fe合金至关重要. 这种方法为昂贵的实验测量提供了有效的替代方案.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 电化学 电化学 电化学
背景情况:
- 化-三化 (LiF-SmF3) 系统对于通过盐电解来生产Sm-Fe合金至关重要.
- 了解它们的特性和局部结构对于流程优化至关重要.
- 高温化物化的实验测量是耗时且昂贵的.
研究的目的:
- 为LiF-SmF3系统开发一个准确的机器学习潜力模型.
- 为了高效地获得这些盐系统的特性和结构特征.
- 为了优化Sm-Fe合金的电解制备过程.
主要方法:
- 为LiF-SmF3系统开发机器学习潜力模型.
- 对密度函数计算的模型准确性的验证.
- 该模型在分子动力学模拟 (1100-1350 K) 中的应用.
主要成果:
- 机器学习模型实现了高精度 (96.92%) 的低能量和力偏差.
- 计算的密度和粘度从实验数据中显示出最小的偏差 (1.03%-2.77%和3.36%-4.58%).
- 成功计算了离子自我扩散系数和结构特征 (半径分布函数).
结论:
- 开发的机器学习潜力模型为研究LiF-SmF3系统提供了高效和准确的方法.
- 这种计算方法显著减少了对广泛实验测量的需求.
- 这些发现有助于通过更好地了解融盐介质来优化Sm-Fe合金生产.
更多相关视频
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
3.1K
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
3.5K
