論文の概要: Accelerating and enhancing thermodynamic simulations of electrochemical interfaces

• arxiv url: http://arxiv.org/abs/2503.17870v1
• Date: Sat, 22 Mar 2025 22:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:19.729719
• Title: Accelerating and enhancing thermodynamic simulations of electrochemical interfaces
• Title（参考訳）: 電気化学界面の熱力学シミュレーションの高速化と向上
• Authors: Xiaochen Du, Mengren Liu, Jiayu Peng, Hoje Chun, Alexander Hoffman, Bilge Yildiz, Lin Li, Martin Z. Bazant, Rafael Gómez-Bombarelli,
• Abstract要約: 従来の表面Pourbaix図は専門家の知識に依存する傾向があるため、安定な表面構造を予測することは依然として困難である。 機械学習(ML)ポテンシャルは静的モデリングを加速することができるが、しばしば動的表面変換を見落としている。 ここでは, 電気化学的条件下でモデル化された表面再構成を自律的に試料化するために, 仮想表面サイト緩和法(Virtual Surface Site Relaxation-Mathrm3$(001)法を拡張した。
• 参考スコア（独自算出の注目度）: 36.982185832859145
• License:
• Abstract: Electrochemical interfaces are crucial in catalysis, energy storage, and corrosion, where their stability and reactivity depend on complex interactions between the electrode, adsorbates, and electrolyte. Predicting stable surface structures remains challenging, as traditional surface Pourbaix diagrams tend to either rely on expert knowledge or costly $\textit{ab initio}$ sampling, and neglect thermodynamic equilibration with the environment. Machine learning (ML) potentials can accelerate static modeling but often overlook dynamic surface transformations. Here, we extend the Virtual Surface Site Relaxation-Monte Carlo (VSSR-MC) method to autonomously sample surface reconstructions modeled under aqueous electrochemical conditions. Through fine-tuning foundational ML force fields, we accurately and efficiently predict surface energetics, recovering known Pt(111) phases and revealing new LaMnO$_\mathrm{3}$(001) surface reconstructions. By explicitly accounting for bulk-electrolyte equilibria, our framework enhances electrochemical stability predictions, offering a scalable approach to understanding and designing materials for electrochemical applications.
• Abstract（参考訳）: 電気化学界面は触媒、エネルギー貯蔵、腐食において重要であり、その安定性と反応性は電極、吸着剤、電解質間の複雑な相互作用に依存する。 従来の曲面Pourbaix図は専門家の知識に頼るか、コストがかかる$\textit{ab initio}$サンプリングするか、環境との熱力学平衡を無視する傾向にあるため、安定した表面構造を予測することは依然として困難である。 機械学習(ML)ポテンシャルは静的モデリングを加速することができるが、しばしば動的表面変換を見落としている。 そこで我々は, 仮想表面サイト緩和モンテカルロ法(VSSR-MC)を電気化学的条件下での自己試料化に拡張した。 基礎ML力場を微調整することにより、表面エネルギーを正確に効率的に予測し、既知のPt(111)位相を復元し、新しいLaMnO$_\mathrm{3}$(001)表面再構成を明らかにする。 バルク電解質平衡を明示的に説明することにより、電気化学的安定性の予測を強化し、電気化学的応用のための材料を理解し設計するためのスケーラブルなアプローチを提供する。

関連論文リスト

• Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
  UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。 本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。 その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
  論文  参考訳（メタデータ） (2025-02-14T07:55:53Z)
• Excited-state nonadiabatic dynamics in explicit solvent using machine learned interatomic potentials [0.602276990341246]
  我々はFieldSchNetを用いてQM/MM静電埋め込みを、非断熱励起状態軌跡のML/MMに置き換える。 ML/MMモデルはQM/MM表面ホッピング参照シミュレーションの電子動力学と構造再構成を再現することを示した。
  論文  参考訳（メタデータ） (2025-01-28T14:14:43Z)
• 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)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials [0.0]
  このレビューは、主に学習された原子間ポテンシャルの形で、複雑な表面の研究に機械学習を適用することに焦点を当てる。 機械学習アルゴリズムと、それらを訓練する大規模なデータセットが材料科学においてより一般的になるにつれて、計算手法はナノスケールの無機表面の複雑さをモデル化するためにさらに予測的かつ強力なものになりつつある。
  論文  参考訳（メタデータ） (2023-12-18T21:08:13Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Machine-learning-accelerated simulations to enable automatic surface reconstruction [2.9599032866864654]
  ab initioシミュレーションは、理論上、熱力学変数の関数として材料表面の構造を予測することができる。 本稿では,多成分材料の表面位相図を予測するための二面計算ループを提案する。
  論文  参考訳（メタデータ） (2023-05-12T04:53:59Z)
• Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal at Large Scales using Machine Learning Interaction Potentials [9.457954280246286]
  我々は,DFTデータに基づく機械学習インタラクションポテンシャル(MLIP)を,実験結果とab-initio結果の再現における最先端の精度に訓練する。 DFTを用いて, 熱力学特性, フォノンスペクトル, 弾性定数の温度依存性, および各種表面特性を正確に予測する。 我々は、ミラー指数面に対する自己吸着エネルギーと最小表面拡散障壁に関連するベル・エバンス・ポラニ関係が存在することを証明した。
  論文  参考訳（メタデータ） (2023-04-24T20:09:07Z)
• 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)

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。