本文主要是介绍【文献分享】机器学习 + 分子动力学（LAMMPS 输入文件）+ 第一性原理 + 热学性质 + 动力学性质，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
================================
分享一篇关于机器学习 + 分子动力学 + 第一性原理 + 热学性质 + 动力学性质的文章。
感谢论文的原作者！
关键词：
1. Machine learning,
2. Deep potential,
3. Molecular dynamics
4. Molten salts
5. Thermophysical properties
6. Phase diagram
================================
主要内容
“由于实验数据有限，优化熔盐反应堆和聚光太阳能的熔盐可能具有挑战性。为了解决这个问题，我们利用神经网络势（NNP）对熔盐进行原子建模，并使用广泛流行的 LiCl/KCl 盐作为原型系统。根据本文报告的结果，NNP 表现出显着的准确性，并且与密度泛函理论计算相似。NNP 的可靠性得益于严格的训练数据获取方法，其中涵盖了纯 LiCl、纯 KCl 和 LiCl-KCl（58.8% mol LiCl）系统在不同温度和压力下的原子构型。据观察，NNP 合理地再现了熔融 LiCl/KCl 盐在不同成分、温度和微观结构下的实验物理性质，类似于高度精确的第一原理分子动力学。此外，NNP 用于计算熔融 LiCl-KCl 盐的扩散系数，目前还没有可用的实验数据。由此，我们通过报告熔融 LiCl-KCl 系统中众所周知的 Chemla 效应来验证 NNP。我们进一步利用 NNP 通过固液共存模拟来预测 LiCl-KCl 系统的相图。本研究报告的 NNP 的稳健性和多功能性证明了所开发的 NNP 在克服熔盐 MD 模拟中计算效率和准确性之间长期存在的权衡方面的巨大潜力。”——取自文章摘要。
================================
分析方法
Microstructure Analysis:
1. Radial Distribution Function.
2. Density.
3. Specific Heat Capacity.
4. Ionic conductivities.
5. Viscosity.
================================
================================
Figure 1
Figure 2
Figure 4
Figure 5
Figure 6
Figure 7
Figure 8
Figure 9
Figure 10 LAMMPS input
================================
以上是我们分享的一些经验或者文章的搬运，或有不足，欢迎大家指出！
如有侵权，请联系我立马删除！
详细内容（文章题目、文章链接、附件下载）可在微 信 公 众 号：原子与分子模拟获取，欢迎大家关注。
这篇关于【文献分享】机器学习 + 分子动力学（LAMMPS 输入文件）+ 第一性原理 + 热学性质 + 动力学性质的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
