npj: 固体稳定性—分解反应DFT预测

2019 年 1 月 29 日 知社学术圈

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

就新材料高通量筛选来说,候选材料是否满足应用要求,其相对于所有竞争化合物的稳定性是一个重要参考条件。尽管稳定性预测与化合物分解焓ΔHd之间存在密切联系,但新开发的改进密度泛函和/或统计校正方案等方法,主要是针对实测生成焓ΔHf进行基准测试,并未计算评估化合物分解焓ΔHd

来自美国科罗拉多大学的Charles B. MusgraveAaron M. Holder领导的团队,通过分析Materials Project数据库中约56,000种化合物相图,按分解反应是否生成元素相,将分解反应分为三种类型:1)仅生成单质相,2)仅生成化合物,3)同时生成单质相和化合物,并对每种反应类型作了量化。他们发现ΔHf只在极少数情况下(数据库中仅约3%的化合物)才成为稳定性预测所需的定量参数,但ΔHd却是稳定性预测最相关的量化参数。他们将广义梯度近似(GGA、PBE)和meta-GGA(SCAN)密度函数预测与实测的ΔHd和ΔHf进行基准比较,发现在定性和定量上都存在差异。对于仅生成化合物的231种分解反应(类型2),SCAN、PBE与实测结果之间的一致性在~35 meV / atom内。无论选择函数还是元素的参考能量,实验结果和理论结果之间的差异,都是ΔHd系统地低于ΔHf。这是因为,应用PBE预测ΔHf时对化学组成高度敏感,应用PBE +、SCAN和SCAN +预测也有中等程度敏感,但各函数在预测反应类型2的ΔHd时,对化学组成却不敏感,变化很小。他们的研究表明,由于反应类型2的分解反应在确定固体稳定性方面起主要作用,因此用高通量DFT方法所作的稳定性预测,通常与多种材料的实验结果非常一致。


该文近期发表于npj Computational Materials 5: 4 (2019),英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。



The role of decomposition reactions in assessing first-principles predictions of solid stability


Christopher J. Bartel, Alan W. Weimer,Stephan Lany, Charles B. Musgrave & Aaron M. Holder 


The performance of density functional theory approximations for predicting materials thermodynamics is typically assessed by comparing calculated and experimentally determined enthalpies of formation from elemental phases, ΔHf. However, a compound competes thermodynamically with both other compounds and their constituent elemental forms, and thus, the enthalpies of the decomposition reactions to these competing phases, ΔHd, determine thermodynamic stability. We evaluated the phase diagrams for 56,791 compounds to classify decomposition reactions into three types: 1. those that produce elemental phases, 2. those that produce compounds, and 3. those that produce both. This analysis shows that the decomposition into elemental forms is rarely the competing reaction that determines compound stability and that approximately two-thirds of decomposition reactions involve no elemental phases. Using experimentally reported formation enthalpies for 1012 solid compounds, we assess the accuracy of the generalized gradient approximation (GGA) (PBE) and meta-GGA (SCAN) density functionals for predicting compound stability. For 646 decomposition reactions that are not trivially the formation reaction, PBE (mean absolute difference between theory and experiment (MAD) = 70 meV/atom) and SCAN (MAD = 59 meV/atom) perform similarly, and commonly employed correction schemes using fitted elemental reference energies make only a negligible improvement (~2 meV/atom). Furthermore, for 231 reactions involving only compounds (Type 2), the agreement between SCAN, PBE, and experiment is within ~35 meV/atom and is thus comparable to the magnitude of experimental uncertainty.



扩展阅读

 

npj:预测材料性质—大规模蒙特卡洛模拟

npj:机器学习—热电材料的回过与预测

npj:掺杂剂间超大相互作用稳定了纳米相

npj:几何识别准1D、2D的氯化钇和氯化钪

npj:杂化钙钛矿光伏特性—铁电畴的调控

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方

登录查看更多
1

相关内容

【ACL2020】利用模拟退火实现无监督复述
专知会员服务
13+阅读 · 2020年5月26日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
169+阅读 · 2020年3月10日
缺失数据统计分析,第三版,462页pdf
专知会员服务
108+阅读 · 2020年2月28日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
多因素问题分析时,如何确立各因素权重?
人人都是产品经理
74+阅读 · 2020年3月4日
Nature 一周论文导读 | 2019 年 5 月 30 日
科研圈
15+阅读 · 2019年6月9日
npj: 机器学习添视觉—材料缺陷快分析
知社学术圈
6+阅读 · 2018年8月18日
红外弱小目标处理研究获进展
中科院之声
17+阅读 · 2017年11月19日
Arxiv
24+阅读 · 2020年3月11日
Arxiv
11+阅读 · 2019年4月15日
Arxiv
5+阅读 · 2019年4月8日
W-net: Bridged U-net for 2D Medical Image Segmentation
Arxiv
19+阅读 · 2018年7月12日
Arxiv
3+阅读 · 2018年4月9日
VIP会员
Top
微信扫码咨询专知VIP会员