SNAP,NNP,ACE机器学习势函数,谁更强?
计算材料学
2025-03-20 08:00
文章摘要
本文研究了在材料科学领域中,机器学习力场(SNAP、NNP、ACE)在模拟和预测材料性质方面的应用。研究背景基于密度泛函理论和第一性原理方法在材料模拟中的局限性,提出了机器学习力场作为一种新的解决方案。研究目的是通过比较SNAP、NNP和ACE三种机器学习力场在α,β锂霞石体系中的表现,评估其在实际工业应用中的准确性和适用性。研究结果表明,ACE力场在预测体积膨胀系数和离子电导率方面表现最佳,与实验数据最为吻合。此外,研究还探讨了不同温度下锂离子的扩散行为,并评估了各力场的计算效率。结论指出,ACE力场在计算速度和准确性上均优于SNAP和NNP,为未来的工业应用提供了有价值的参考。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿,本站转载出于非商业性的教育和科研之目的,并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题,请作者速来电或来函联系。