描述碳纳米管内水分子单链的深度学习势

碳纳米管通道内的受限水具有与体相水截然不同的物理力学性质。当纳米管直径低至约0.8 nm时,通道内水分子形成与生物水通道内类似的单链结构,并显现出极高的流速和离子排斥能力。尽管基于经验势的分子动力学模拟在揭示单链水的奇特行为方面发挥了重要作用,但其模拟结果通常依赖于水模型和壁面-水作用参数选取。本文以从头算分子动力学计算结果为数据集,通过深度神经网络训练获得描述碳纳米管内单链水的深度学习势。基于深度学习势的分子动力学模拟在势能和原子受力方面具有近似第一性原理水平的准确性但低得多的计算成本,能准确重现从头算分子动力学得到的单链水性质,包括O-H键长、H-O-H键角、取向角和密度分布等。此外,本文对比了该深度学习势与常用经典水模型所得结果的异同。本文所构建的深度学习势为以接近第一性原理的准确性进行碳纳米管内单链水体系的大尺寸、长时间模拟提供了可能。

氮化硅微波高温介电函数深度学习分子动力学模拟

氮化硅(β-Si_(3)N_(4))是当下最具应用前景的热透波材料,其基础物性高温介电函数的精准测量对加快氮化硅基热透波材料的设计,解决高超声速飞行器“黑障”问题具有重要意义.本文以第一性原理数据为基本输入,基于深度神经网络训练得到深度学习势,然后运用深度学习分子动力学方法计算了氮化硅高温微波介电函数.与传统经验势相比,深度学习势的计算结果与实验结果在数量级上保持一致;同时发现,深度学习分子动力学在计算速度方面表现优异.此外,建立了氮化硅弛豫时间温度依变性的物理模型,揭示了弛豫时间温度依变性规律.本研究通过实现大规模高精度的分子动力学模拟计算了氮化硅高温微波介电函数,为推动氮化硅基材料在高温热透波领域的应用提供了基础数据支撑.