这里会显示出您选择的修订版和当前版本之间的差别。
两侧同时换到之前的修订记录前一修订版后一修订版 | 前一修订版 | ||
adf:m3gnetpredictliintercallationpotential [2023/05/16 11:43] – [M3GNet力场(或BAND模块DFT理论)预测锂电池材料中锂嵌入势] liu.jun | adf:m3gnetpredictliintercallationpotential [2024/05/13 17:02] (当前版本) – [机器学习力场 M3GNet(或 DFT)预测锂电池材料中锂嵌入势] liu.jun | ||
---|---|---|---|
行 1: | 行 1: | ||
- | ======M3GNet | + | ======机器学习势 |
+ | 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: | ||
=====本文实现功能简介===== | =====本文实现功能简介===== | ||
因为 M3GNET 是针对这类锂电池材料结构的能量而训练得到的力场,因此能够很好地、符合预期地再现这些材料中的 Li 嵌入势。下图是 M3GNET 与 DFT 或实验结果的对比: | 因为 M3GNET 是针对这类锂电池材料结构的能量而训练得到的力场,因此能够很好地、符合预期地再现这些材料中的 Li 嵌入势。下图是 M3GNET 与 DFT 或实验结果的对比: | ||
行 16: | 行 17: | ||
{{ : | {{ : | ||
- | 用户可以通过如下一行修改过渡元素和替换氧元素的元素列表: | + | 用户可以通过如下2行修改过渡元素和替换氧元素的元素列表: |
<code python> | <code python> | ||
tm_list = [' | tm_list = [' | ||
行 48: | 行 49: | ||
O6Ti3 was done, with 0 Li atoms in lattice, Volume of Cell: 102.69002 Angstrom^3 | O6Ti3 was done, with 0 Li atoms in lattice, Volume of Cell: 102.69002 Angstrom^3 | ||
Li3O6Ti3 → O6Ti3 Cell Volume Change: -0.33738000000000073 | Li3O6Ti3 → O6Ti3 Cell Volume Change: -0.33738000000000073 | ||
- | Li intercallation potential of Li3O6Ti3 : 2.3401228462519685 | + | Li intercallation potential of Li3O6Ti3 : 2.3401228462519685 |
>>> | >>> | ||
以下省略 | 以下省略 | ||
</ | </ | ||
即: | 即: | ||
- | * Li3O6Ti3 的晶胞体积为 103.70216 Angstrom^3 | + | * Li3O6Ti3 的晶胞体积为 103.70216 Angstrom$^3$ |
- | * O6Ti3 的晶胞体积为 102.69002 Angstrom^3 | + | * O6Ti3 的晶胞体积为 102.69002 Angstrom$^3$ |
- | * Li3O6Ti3 → O6Ti3 每个 Li 原子引起的体积变化为 (103.70216-102.69002)/ | + | * Li3O6Ti3 → O6Ti3 每个 Li 原子引起的体积变化为 (103.70216-102.69002)/ |
- | * Li 嵌入势为 2.3401228462519685 | + | * Li 嵌入势为 2.3401228462519685 |
- | * 数据汇总:>>> | + | * 数据汇总:Li3O6Ti3, -0.337 Angstrom$^3$, 2.340 Volts |
=====使用 DFT 进行上述计算===== | =====使用 DFT 进行上述计算===== |