adf:m3gnet-up-2022forcoh

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

--- adf:m3gnet-up-2022forcoh [2023/10/04 17:40] – [1，单个气相萘分子计算] liu.jun
+++ adf:m3gnet-up-2022forcoh [2024/01/10 14:41] (当前版本) – [使用机器学习力场 M3GNe-UP-2022 计算内聚能] liu.jun
@@ 行 1: / 行 1: @@
-======使用 M3GNe-UP-2022 计算内聚能======
+======使用机器学习力场 M3GNe-UP-2022 计算内聚能======
 加利福利亚大学圣迭亚戈分校 Chi Chen 等2022年发表了一个适用于元素周期表绝大部分元素，甚至部分镧系、锕系元素的通用型机器学习力场（A universal graph deep learning interatomic potential for the periodic table, Nature Computational Science, 2022, volume 2, pages718–728）。
@@ 行 5: / 行 5: @@
 这一种基于具有三体相互作用的图神经网络（M3GNet）的通用型原子间相互作用势，由过去十年 Materials Project 的庞大结构弛豫数据库训练得到，在不同化学空间的材料结构弛豫、动力学模拟和性能预测方面有着广泛的应用。根据该力场的能量计算筛选，从 Materials Project 的3100万个假设晶体结构中，筛选出约180万种材料，被鉴定为稳定结果材料，其中能量最低的 1578 种材料，通过密度泛函理论计算证明稳定性。
-AMS材料化学计算平台2023年集成了这个力场，这里我们以固体萘的内聚能计算为例，展示该力场的结果精度，M3GNet 还适用于金属和金属氧化物等无机晶体。
+AMS材料化学计算平台2023年集成了这个力场，这里我们以固体萘的内聚能计算为例，展示该力场的结果精度，M3GNet 还适用于金属和金属氧化物等无机晶体。**M3GNet机器学习势，支持GPU加速**，安装该势函数的时候，就需要选择相应的版本（当然前提是机器本身有用于GPU计算的显卡）。安装过程参考：[[adf:installofmlp]]
+从该力场的训练集（都是平衡结构，而不包含化学反应的中间结构），可以看出该力场对平衡态结构、能量的可靠性很高，但对化学反应模拟的可靠性则有待验证。
 要计算固体萘的内聚能，需要计算：
@@ 行 54: / 行 56: @@
 在 AMSjobs 中选择已完成的作业，Tools → Build Spreadsheet，优化后的单元长度和角度显示在左侧。
-{{ :adf:m3gnet005.png?450 }}
+{{ :adf:m3gnet005.png?350 }}
 您还可以在 SCM → Movie 中查看优化后的结构。
@@ 行 61: / 行 63: @@
 从气相和晶体计算能量，可以从上面的电子表格中看到，也可以通过 SCM → Output向下滚动 *.out 文件到末尾看到。
-得到 EGas = -4.41213477 Hatree 和 ECrystal = -8.89238031 Hatree，从而得到内聚能 Ecoh = 0.03406 Hatree = 89 kJ/mol。
+得到 E$_{Gas}$ = -4.41213477 Hatree 和 E$_{Crystal}$= -8.89238031 Hatree，从而得到内聚能 E$_{coh}$ = 0.03406 Hatree = 89 kJ/mol。
 这与 Al-Saidi 等人（WA Al-Saidi，VK Voora，KD Joradan。DOI：10.1021/ct200618b）报告的 PBE-TS 数字（TS 是一种不同类型的色散校正）相比较。
+{{ :adf:m3gnet999.png?350 }}

adf/m3gnet-up-2022forcoh.1696412442.txt.gz · 最后更改: 2023/10/04 17:40 由 liu.jun

© 2014-2022 费米科技（京ICP备14023855号）