科研之友
微信
新浪微博
Facebook
分享链接
摘要
液态铁作为类地行星内核的主要组成成分,其在高温高压条件下的热力学、输运及动力学性质研究,对理解行星演化有着重要意义.极端条件物态物性在实验条件下产生困难且诊断手段有限,而理论模拟在动力学、输运性质计算方面面临着规模、精度的双重要求,极大限制了这方面的有效进展.本文结合深度学习技术,通过神经网络构造液态铁的高维相互作用势能面,在保证第一性原理计算精度的前提下,将计算规模从数百原子扩展到数十万原子体系.研究了从常压到核幔边界条件下液态铁的动力学及输运性质,并与X射线衍射、非弹性X射线散射实验对比,二者的一致性指出,深度学习技术与分子模拟的结合为我们高通量研究极端条件下真实体系的物态物性及动力学提供了有效手段.
- 单位
