論文の概要: Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale bridging between electronic structure, statistical mechanics and phase field theories

• arxiv url: http://arxiv.org/abs/2104.08318v1
• Date: Fri, 16 Apr 2021 19:00:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 13:28:11.429085
• Title: Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale bridging between electronic structure, statistical mechanics and phase field theories
• Title（参考訳）: li$_x$coo$_2$位相安定性の機械学習による研究 : 電子構造、統計力学、位相場理論の橋渡し
• Authors: Gregory H. Teichert, Sambit Das, Muratahan Aykol, Chirranjeevi Gopal, Vikram Gavini and Krishna Garikipati
• Abstract要約: Li$_xTM$O$$ (TM=Ni, Co, Mn) は、Liイオン電池の電気化学的サイクリング性能が原子スケールでのLi含有量の関数としての結晶構造と相安定性に強く支配されるカソードである。 ここでは、Li$_x$CoO$$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Li$_xTM$O$_2$ (TM={Ni, Co, Mn}) are promising cathodes for Li-ion batteries, whose electrochemical cycling performance is strongly governed by crystal structure and phase stability as a function of Li content at the atomistic scale. Here, we use Li$_x$CoO$_2$ (LCO) as a model system to benchmark a scale-bridging framework that combines density functional theory (DFT) calculations at the atomistic scale with phase field modeling at the continuum scale to understand the impact of phase stability on microstructure evolution. This scale bridging is accomplished by incorporating traditional statistical mechanics methods with integrable deep neural networks, which allows formation energies for specific atomic configurations to be coarse-grained and incorporated in a neural network description of the free energy of the material. The resulting realistic free energy functions enable atomistically informed phase-field simulations. These computational results allow us to make connections to experimental work on LCO cathode degradation as a function of temperature, morphology and particle size.
• Abstract（参考訳）: Li$_xTM$O$_2$ (TM={Ni, Co, Mn}) はLiイオン電池の電気化学的サイクリング性能が結晶構造と相安定性に強く支配されるカソードである。 ここでは、Li$_x$CoO$_2$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論(DFT)計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークし、相安定性がミクロ構造進化に与える影響を理解する。 このスケールブリッジングは、従来の統計力学法と積分可能なディープニューラルネットワークを組み込んだもので、特定の原子構成のための形成エネルギーを粗粒化し、物質の自由エネルギーのニューラルネットワーク記述に組み込むことができる。 結果として生じる現実的な自由エネルギー関数は、原子的に情報を得た位相場シミュレーションを可能にする。 これらの計算結果から, 温度, 形態, 粒子径の関数としてのLCO陰極劣化実験への接続が可能である。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [1.1016723046079784]
  原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。 提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。 MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
  論文  参考訳（メタデータ） (2024-04-16T17:24:22Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Bounds to electron spin qubit variability for scalable CMOS architectures [0.2500278693410567]
  我々は、Si/SiO$$インタフェースの不可避な原子スケール粗さによるスピン量子ビットの変動をグラフ化し、12デバイスで実験をコンパイルし、理論ツールを開発する。 我々は, 粗さがクビット位置, 変形, 谷分割, 谷相, スピン軌道結合, 交換結合における変動性と相関することを示した。 これらの変数は、堅牢な制御方法が組み込まれている限り、量子コンピューティングのスケーラブルなアーキテクチャの許容範囲内にあることが判明した。
  論文  参考訳（メタデータ） (2023-03-27T00:52:39Z)
• Ab initio electron-lattice downfolding: potential energy landscapes, anharmonicity, and molecular dynamics in charge density wave materials [0.0]
  計算上の課題は、特に大規模システム、長期スケール、非平衡系、強い相関関係を持つシステムにおいて発生する。 本研究は, 電子面の電子的特性と原子核運動のシミュレーションを促進するために, ダウンフォールディングアプローチが, 電子面の複雑さの低減をいかに促進するかを示す。
  論文  参考訳（メタデータ） (2023-03-13T16:41:37Z)
• CHGNet: Pretrained universal neural network potential for charge-informed atomistic modeling [0.6860131654491484]
  新たな機械学習原子間ポテンシャル(MLIP)としてCrystal Hamiltonian Graph Neural Network(CHGNet)を提案する。 CHGNetは、Material Project Trajectoryデータセットのエネルギー、力、応力、磁気モーメントに基づいて事前訓練されている。 従来のMLIPでは観測できない電子自由度を付加したイオン系に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2023-02-28T01:30:06Z)
• Studying chirality imbalance with quantum algorithms [62.997667081978825]
  我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。 量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
  論文  参考訳（メタデータ） (2022-10-06T17:12:33Z)
• Spin Current Density Functional Theory of the Quantum Spin-Hall Phase [59.50307752165016]
  スピン電流密度汎関数理論を量子スピンハル相に適用する。 我々は、SCDFTの電子-電子ポテンシャルにおけるスピン電流の明示的な説明が、ディラックコーンの出現の鍵であることを示す。
  論文  参考訳（メタデータ） (2022-08-29T20:46:26Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Accelerating Finite-temperature Kohn-Sham Density Functional Theory with Deep Neural Networks [2.7035666571881856]
  本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。 ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。 本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
  論文  参考訳（メタデータ） (2020-10-10T05:38:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。