Xây dựng trường lực nâng cao cho các lớp đơn graphene bằng cách điều chỉnh dữ liệu lý thuyết hàm mật độ dựa trên mạng nơ-ron
Tóm tắt: 42
| 
PDF: 26 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
graphene
trường lực
mạng nơ ron
Tóm tắt
Nghiên cứu này giới thiệu một mô hình mạng nơ-ron (NN) mới để phát triển trường lực được thiết kế cho các lớp đơn graphene, sử dụng dữ liệu được tính toán từ nguyên lý thứ nhất. Ba thành phần lực chính được phân tích gồm: độ lớn của lực và cosin của hai góc được đo trên các cấu hình khác nhau của các nguyên tử carbon xung quanh. Ban đầu, áp dụng NN cho ba nguyên tử lân cận gần nhất, với các sai số kiểm tra tuyệt đối trung bình lần lượt là 0,375 eV/Å, 0,092 và 0,085 cho các thành phần tương ứng. Sau đó, mở rộng các biến đầu vào bao gồm chín nguyên tử xung quanh, điều này đã cải thiện đáng kể độ chính xác của mô hình trường lực, giảm sai số độ lớn lực xuống còn khoảng 1%. Sự cải thiện này tương đương với mức tăng độ chính xác từ 33% đến 59% so với phương pháp ban đầu. Kết quả cho thấy, tiềm năng của NN trong việc tạo ra các trường lực có độ chính xác cao cho graphene.
Tài liệu tham khảo
-
[1] A.K. Geim and K.S. Novoselov, “The Rise of Graphene”, Nature Mater, vol. 6, no. 3, pp. 183-191, 2007.
[2] R.Prasher, “Graphene Spreads the Heat”, Science, vol. 328, no. 5975, pp. 185-186, 2010.
[3] V. Q. Bui and H. M. Le, “Naphthalene adsorptions on graphene using Cr/Cr2/Fe/Fe2 linkages: Stability and spin perspectives from first-principles calculations”, Chem. Phys. Lett., vol. 614, pp. 238-242, 2014.
[4] V. Perebeinos and J. Tersoff, “Valence Force Model for Phonons in Graphene and Carbon Nanotubes”, Phys. Rev. B, vol. 79, no. 24, p. 241409, 2009.
[5] A. Lajevardipour, M. Neek-Amal, and F. M. Peeters, “Thermomechanical Properties of Graphene: Valence Force Field Model Approach”, J. Phys.: Condens. Matter, vol. 24, no. 17, p. 175303, 2012.
[6] G. Kalosakas, N. N. Lathiotakis, C. Galiotis, and K. Papagelis, “In-plane Force Fields and Elastic Properties of Graphene”, J. Appl. Phys., vol. 113, no. 13, p. 134307, 2013.
[7] M. T. Hagan, H. B. Demuth and M. Beale, Neural Network Design, Boulder: Colorado Bookstore, 1996.
[8] L. Raff, R. Komanduri, M. Hagan, and S. Bukkapatnam, Neural Networks in Chemical Reaction Dynamics, Oxford: Oxford University Press, 2012.
[9] C. M. Handley and P. L. A. Popelier, “Potential Energy Surfaces Fitted by Artificial Neural Networks”, J. Phys. Chem. A, vol. 114, no. 10, pp. 3371-3383, 2010.
[10] J. Behler, “Neural Network Potential-energy Surfaces in Chemistry: A Tool for Large-scale Simulations”, Phys. Chem. Chem. Phys., vol. 13, no. 40, pp. 17930-17955, 2011.
[11] A. Pukrittayakamee, M. Malshe, M. Hagan, L. M. Raff, R. Narulkar, S. Bukkapatnum, and R. Komanduri, “Simultaneous Fitting of a Potential-energy Surface and Its Corresponding Force Fields Using Feedforward Neural Networks”, J. Chem. Phys., vol. 130, no. 13, p. 134101, 2009.
[12] H. M. Le, S. Huynh, and L. M. Raff, “Molecular dissociation of hydrogen peroxide (HOOH) on a neural network ab initio potential surface with a new configuration sampling method involving gradient fitting”, J. Chem. Phys., vol. 131, no. 1, p. 014107, 2009.
[13] P. Hohenberg and W. Kohn, “Inhomogeneous Electron Gas”, Phys. Rev., vol. 136, no. 3B, pp. B864-B871, 1964.
[14] W. Kohn and L. J. Sham, “Self-Consistent Equations Including Exchange and Correlation Effects”, Phys. Rev., vol. 140, no. 4A, pp. A1133-A1138, 1965.
[15] P. Giannozzi et al., “QUANTUM ESPRESSO: A Modular and Open-source Software Project for Quantum Simulations of Materials”, J. Phys.: Condens. Matter, vol. 21, no. 39, p. 395502, 2009.
[16] J. P. Perdew, K. Burke, and M. Ernzerhof, “Generalized Gradient Approximation Made Simple”, Phys. Rev. Lett., vol. 77, no. 18, pp. 3865-3868, 1996.
[17] J. P. Perdew, A. Ruzsinszky, J. Tao, V. N. Staroverov, G. E. Scuseria, and G. I. Csonka, “Prescription for the Design and Selection of Density Functional Approximations: More Constraint Satisfaction with Fewer Fits”, J. Chem. Phys., vol. 123, no. 6, p. 62201, 2005.
[18] D. Vanderbilt, “Soft Self-consistent Pseudopotentials in a Generalized Eigenvalue Formalism”, Phys. Rev. B, vol. 41, no. 11, pp. 7892-7895, 1990.
[19] A. D. Corso, “Density-functional Perturbation Theory with Ultrasoft Pseudopotentials”, Phys. Rev. B, vol. 64, no. 23, p. 235118, 2001.
[20] K. Hornik, M. Stinchcombe, and H. White, “Multilayer Feedforward Networks Are Universal Approximators”, Neural Networks, vol. 2, no. 5, pp. 359-366, 1989.
[21] M. C. Vu et al., “Scalable graphene fluoride sandwiched aramid nanofiber paper with superior high-temperature capacitive energy storage”, Chem. Eng. J., vol. 444, p. 136504, 2022.
[22] M. C. Vu, N. A. T. Thieu, J.-H. Lim, W.-K. Choi, J. C. Won, M. A. Islam, and S.-R. Kim, “Ultrathin thermally conductive yet electrically insulating exfoliated graphene fluoride film for high performance heat dissipation”, Carbon, vol. 157, pp. 741-749, 2020.
[23] V. Q. Bui, H. M. Le, Y. Kawazoe, and D. Nguyen-Manh, “Graphene-Cr-Graphene intercalation nanostructures: stability and magnetic properties from density functional theory investigations”, J. Phys. Chem. C, vol. 117, no. 7, pp. 3605-3614, 2013.
[24] X. Liu et al., “Advanced Dual-Atom Catalysts on Graphitic Carbon Nitride for Enhanced Hydrogen Evolution via Water Splitting”, Nanoscale, vol. 16, no. 27, pp. 13148-13160, 2024.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Sep 30, 2024
Download
Cách trích dẫn
Tan-Tien Pham, Tien B. Tran, và Viet Q. Bui. “Xây dựng trường lực nâng Cao Cho các lớp đơn Graphene bằng cách điều chỉnh dữ liệu Lý thuyết hàm mật độ dựa Trên mạng Nơ-Ron”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 22, số p.h 9A, Tháng Chín 2024, tr 77-83, https://jst-ud.vn/jst-ud/article/view/9261.
