基于机器学习势函数的熔盐体系分子动力学研究进展

熔盐是一类具有重要应用价值的熔融态材料,然而其微观结构与宏观性质之间的关系尚未完全探明,因此开展针对熔盐体系的分子动力学研究具有重要意义.针对高温熔盐体系的分子动力学研究以往主要依赖于传统分子动力学中力场的开发和第一性原理分子动力学的发展.近年来得益于机器学习和神经网络的加速发展,针对熔盐体系的机器学习势函数的开发工作取得了显著进展,其在探索熔盐配位化学和预测物理性质方面表现优异.本文首先梳理了熔盐领域内常用的分子动力学方法,重点介绍了机器学习势函数的发展现状;然后总结了机器学习势函数在熔盐研究方面的应用进展;最后展望了机器学习势函数在该领域的应用前景,并对可能存在的问题给出了建议.

HTPB/Al/AP/RDX推进剂初始燃烧的分子模拟

针对一种四组元HTPB推进剂(HTPB/Al/AP/RDX)关键组分,基于第一性原理计算的数据集,使用深度神经网络模型开发了一个机器学习势函数;基于新开发的势函数,建立了四组元HTPB推进剂燃面模型,并进行了大规模的分子动力学模拟计算,对推进剂燃烧时的微观结构、温度、反应组分的时空演化进行了系统统计分析。结果表明,新开发的势函数能够准确描述推进剂组分单质及两两之间界面的能量和受力特性,是一个高精度、高效率的机器学习势函数;燃面模型实现了对推进剂燃烧过程中的AP、RDX、HTPB热解过程精准模拟,阐明了扩散火焰的形成机理以及铝粉从燃面剥离等微观过程,揭示了其中的各组分界面相互作用机制。表明分子动力学模拟能够在原子尺度上实现时间分辨的三维重建,进而获得推进剂燃烧的微观机理,可为固体推进剂的理论研究提供了新的工具。