Dynamics and transport in LiF using classical and machine learned interatomic potentials
本研究表明,机器学习原子间势函数(特别是 MACE-MP-0b3 及其微调变体)在模拟熔融氟化锂方面优于经典模型,能够通过更真实的弹性集体运动准确重现实验剪切粘度并修正熔点低估问题,尽管其缺乏显式的极化性。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
熔盐是由于加热直到其固体晶体结构崩溃而形成的由带电粒子(离子)组成的液体。虽然我们通常将盐视为餐桌上固体的调味品,但在核能和太阳能储能的高科技领域中,这些盐被熔化以作为冷却剂或燃料载体。它们因能够承受极端高温而不发生沸腾而备受青睐,这一特性使其成为下一代反应堆和热电池的理想选择。然而,为了安全且高效地使用它们,工程师需要准确了解它们的流动方式。其中最关键的测量指标之一是黏度,它简单来说就是衡量液体抵抗流动能力的指标,或者说是液体的“厚度”。如果冷却剂太粘稠,它就无法足够快地带走热量;如果太稀薄,它可能无法提供必要的压力。几十年来,科学家一直试图利用计算机模拟来预测这些特性,但他们所依赖的工具往往会把温度预测错误,从而导致对液体行为的预测不准确。
一个研究小组试图通过使用氟化锂(一种常见的熔盐)作为测试案例,将新一代计算机模型与旧模型进行对比,来解决这个问题。他们将传统的模拟方法(依赖于原子相互作用的固定规则)与一种由机器学习驱动的新方法进行了比较。传统模型虽然速度快,但有一个持久的缺陷:它们预测盐会在比实际观察到的温度高出约300度的环境下变得粘稠。这就像是计算机认定液体仍处于固体状态,而实际上液体正在自由流动。研究人员怀疑这种误差源于传统模型低估了盐的熔点。为了验证这一点,他们使用了一种名为MACE的机器学习势能模型进行了广泛的模拟,该模型经过大量量子力学数据的训练,旨在理解原子如何在不被强加于僵化、预设规则的情况下进行行为活动。
结果令人瞩目。这种机器学习模型在无需任何特殊调整的情况下,就能成功预测熔盐在广泛温度范围内的黏度,其准确度达到了以往需要更复杂且计算成本更高的模型才能实现的水平。至关重要的是,这个新模型还修正了熔点误差。传统模型暗示盐会在远低于其实际行为的温度下熔化,而机器学习模型预测的熔点则更接近现实。这种一致性并非巧合;研究发现,正确预测盐何时熔化的能力,与预测其黏稠度的能力直接相关。当模拟准确捕捉到熔化温度时,黏度计算也随之准确了。
为了深入探究原因,研究人员观察了原子的微观舞动。在传统模型中,原子被视为具有固定的电荷,这使得它们的运动呈现出一种僵硬的高频抖动,仿佛被困在一个刚性的笼子里。这种僵硬感使得液体看起来比实际情况更容易流动。相比之下,机器学习模型允许原子以一种更灵活的多体方式进行相互作用。这种灵活性创造了一种略带弹性的液体结构,这意味着它能更有效地抵抗剪切力。这种增加的流动阻力正是更高黏度的体现。研究表明,虽然新模型中的单个原子运动得更自由,但整个原子群体的集体运动却更加具有凝聚力和弹性,而这正是决定液体整体厚度的关键。
团队还测试了一个经过改进的机器学习模型,通过添加额外数据进行微调,以观察是否能更接近实验结果。这个改进后的版本预测的黏度比基础模型略高,处于实验测量范围的上沿。有趣的是,这个版本预测的熔点也比基础模型略高。研究人员指出,虽然改进后的模型在实验密度测量方面非常接近,但由于不同模型之间的差异以及现实世界实验数据本身的离散性,很难断定哪一个版本是绝对的“胜出者”。实验数据本身存在显著差异,这可能是由于杂质或不同实验室开展实验的方式不同所致。
最终,这项研究证明了机器学习势能可以捕捉到熔盐复杂的物理特性,这是传统模型无法做到的,特别是通过正确预测熔化温度及其产生的流动特性。研究表明,旧模型的失败并非因为它们完全错误,而是因为它们过于僵化,强行让原子进行一种无法反映液体真实、略带弹性本质的高频僵硬运动。通过使用一种从量子数据中学习而非依赖固定规则的模型,研究人员得以模拟出一种行为更接近真实的液体。这一进展意义重大,因为它为设计使用熔盐的系统(从核反应堆到太阳能储能)提供了一种更可靠的方法,确保用于传递热量的流体能在极端条件下按预期运行。这项工作强调,理解原子的微妙集体运动与了解它们如何排列在一起同样重要,这一教训可能会重塑未来科学家模拟其他复杂材料的方式。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。