复旦刘智攀教授Chem. Sci.: 机器学习势在沸石模拟中的应用概述

由于沸石具有多元素（通常是Si-Al-P-O-H五元素）、成分多变、微观结构丰富、周期性大的特点，因此对沸石的结构和性质进行预测一直是一个很大的挑战。机器学习（ML）势作为近年来发展起来的一种理论方法，旨在准确、经济地描述复杂材料体系的势能面（PES），有望为沸石研究领域提供突破性的贡献。

图1. 沸石稳定性和形成机理的理论研究路线图

在此，复旦大学刘智攀教授等人概述了沸石原子模拟的现状，并展示了先进的ML势在沸石系统中的一些应用。首先，作者简要回顾了使用从经典力场到量子力学计算和最新ML势等模拟工具对沸石的理论研究。ML势作为下一代原子模拟技术开辟了模拟和解释沸石系统的新途径，从而为最终预测沸石的结构-功能关系提供了广阔的前景。

然后，作者从两个主要方面总结了使用ML势的最新进展：沸石稳定性的起源和沸石相关催化反应的机理。此外，作者还讨论了ML势应用的可能场景，不应仅局限于个案研究方式的大规模原子模拟。这些先进应用包括沸石稳定性评价、形态/暴露表面的预测及酸度预测，可通过将基于云计算的技术与基于ML势的原子模拟相结合来实现。

图2. 沸石稳定性在线评价

最后，作者展望了ML势在沸石模拟方面的未来发展：

（1）在提高计算精度方面，应注意准确性和速度是一对悖论，需要在实践中取得平衡。作者开发的G-NN势代表了一种具有理想可转移性和对复杂材料具有良好可预测性的ML势，还开发了一种多网络架构以进一步提高准确性并增加描述多元素系统的能力；

（2）扩大应用范围方面，不限于催化剂，沸石还被用作分离气体且最近用作固态锂离子电池的固体电解质，这些应用要求详细了解沸石中气体分子和碱金属阳离子的扩散和迁移。因此，为这些系统构建ML势并创建在线数据库有利于加速材料设计；

（3）在构建沸石相关数据集方面，收集和生成数据的共同努力在ML时代是绝对重要的。目前，各研究小组之间的数据交换和方法共享需要更加简单和透明。总之，未来仍有足够的空间开发新的ML方法来加速沸石的基础研究和应用。

图3. 双网络框架的示意图

Machine learning potential era of zeolite simulation, Chemical Science 2022. DOI: 10.1039/D2SC01225A

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/09/ea7404b50e/

复旦刘智攀教授Chem. Sci.: 机器学习势在沸石模拟中的应用概述

相关推荐