当前位置 : X-MOL首页行业资讯 › 利用神经网络构造表面散射复杂的高维势能面

利用神经网络构造表面散射复杂的高维势能面

分子与金属表面碰撞进而发生解离、散射并伴随着分子-表面间的能量传递,是工业上大量多相催化反应的初始步骤,并可能是复杂反应网络中的决速步。因此研究分子在表面的碰撞过程是理解分子-表面相互作用,并进一步理解和优化多相催化反应的重要方式。在这一方面,理论研究一直是必不可少的工具。随着第一性原理方法的发展,尽管我们已经可以快速地计算能量单点,但直接进行动力学模拟仍旧是计算量非常大的工作。为了避免进行这样重复高代价的计算,美国新墨西哥大学郭华教授与中国科学技术大学蒋彬教授课题组合作,构建了HCl在Au(111)表面散射经典体系60维度的第一性原理势能面,并初步研究了HCl的散射动力学。


以往研究气相分子在金属表面的碰撞时,往往将表面原子固定做近似的处理。这样的势能面不能考虑分子与表面的能量交换,然而表面原子的运动大大增加了体系的自由度,构建势能面变得非常困难。2007年,Behler和Parrinello提出一种原子中心神经网络的方法(Atomistic Neural Network, ANN),按照每种原子的势能面用一个神经网络表示的思想,使高维势能面的构建成为可能Phys. Rev. Lett., 2007(图1)。

图1. 原子中心神经网络示意图


随后该方法广泛应用到材料、团簇等热力学平衡态的复杂体系势能面研究中,但鲜有人应用到反应体系中。反应体系大部分分子构型会远离平衡位置,对神经网络拟合提出了更大的挑战。郭华及蒋彬教授组开发了ANN的程序包,对HCl/Au(111)的散射进行了全原子从头算动力学模拟(ab initio molecular dynamics,AIMD),将这些分子运动轨迹中的结构和能量都集合起来,利用ANN方案一次性拟合得到包含HCl+18个Au原子运动的精确势能面(图2)。随后他们在势能面上进行了包含表面运动的准经典动力学计算,不仅很好地重复了AIMD的结果,并且定性地重复了实验发现的HCl分子碰撞表面时巨大的平动能损失。

图2. HCl/Au(111)体系不同位点的势能面等高线图


该工作为ANN方法应用到复杂的表面散射反应体系奠定了基础,后期工作已经在围绕甲烷、水、二氧化碳等小分子的解离吸附展开。研究成果近期发表在J. Phys. Chem. Lett. 上, 该工作受到美国NSF基金、中国自然科学基金重点和面上项目、中组部“青年千人计划”的支持。


该论文作者为:Brian Kolb, Xuan Luo, Xueyao Zhou, Bin Jiang and Hua Guo

原文(扫描或长按二维码,识别后直达原文页面,或点此查看原文):

High-Dimensional Atomistic Neural Network Potentials for Molecule–Surface Interactions: HCl Scattering from Au(111)

J. Phys. Chem. Lett., 2017, 8, 666–672, DOI: 10.1021/acs.jpclett.6b02994


如非特别注明,本文版权属于 X-MOLx-mol.com ), 未经许可,谢绝转载!

分享到
评论: 0
down
wechat
bug