DFTB模拟机器学习排斥势在锂插层石墨中的应用
摘要：锂离子电池是消费电子产品的核心部分已有数十年。最近，它们也成为电动出行和间歇性可再生能源储存等快速兴起的技术领域的关键组件。然而，许多基本原理和机制尚未被充分理解，无法完全实现所采用材料的潜力。目前使用的大多数锂离子电池采用石墨阳极。它们的工作原理基于插层机制，即将锂离子嵌入和排列在石墨烯层之间的二维空间中。这个重要过程决定了电池的充电速度上限，并在电池的寿命中起着决定性作用，其特点是多相变、有序和无序区域，以及非平衡现象，因此相当复杂。本文提供了一个模拟框架，以更好地理解锂插层石墨及其在电池使用过程中的行为。为了研究这些效应所需的大规模系统和长时间尺度，我们确定了高效但半经验的密度泛函紧束缚（DFTB）作为合适的方法，并将粒子群优化（PSO）与机器学习（ML）程序高斯过程回归（GPR）相结合，获得必要的参数。利用得到的参数化，我们能够以与更昂贵的从头计算方法不相上下的精确度重现实验参考结构。最后，我们介绍了一些示例系统状态的结构性质和扩散能垒。
作者：Chiara Panosetti, Simon B. Anni\'es, Cristina Grosu, Stefan Seidlmayer, Christoph Scheurer
论文ID：1904.13351
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2021-11-15