第51卷第2期2023年2月硅酸盐学报Vol.51，No.2February，2023JOURNALOFTHECHINESECERAMICSOCIETYhttp://www.gxyb.cbpt.cnki.netDOI：10.14062/j.issn.0454-5648.20220923机器学习辅助的纳米催化反应动力学研究进展林博，张双哲，李白，周川，李磊(南方科技大学材料科学与工程系，深圳市微纳多孔功能材料重点实验室，广东深圳518055)摘要：动力学模拟是催化反应动力学研究的重要手段之一，有助于理解催化反应的内在机理，对于设计高效稳定的纳米催化剂十分重要。基于经验力场的经典分子动力学计算速度快，但计算精度有限。基于第一性原理的分子动力学方法精度高，但计算速度慢，难以大规模实施。近年来，机器学习力场(MLFF)方法被广泛应用于势能面的开发，基于MLFF的分子动力学(MLFFMD)方法兼顾计算速度与准确性，为催化反应动力学研究带来了新契机。本文首先回顾了MLFF势能面构造的主要方法，对基于对称函数的描述符设计原理和以嵌入式网络为基础的描述符构建方法进行了阐述，展示了MLFFMD方法应用于催化剂结构/组分演变和催化反应过程动力学模拟中的最新进展，进一步展望了MLFF在长时动力学模拟中所面临的挑战。关键词：机器学习力场；纳米催化；反应动力学；分子动力学中图分类号：O643.3文献标志码：A文章编号：0454–5648(2023)02–0510–10网络出版时间：2022‒12‒27ApplicationofMachine-LearningAssistedDynamicsSimulationsinNano-ScaleCatalysisLINBo,ZHANGShuangzhe,LIBai,ZHOUChuan,LILei(ShenzhenKeyLaboratoryofMicro/Nano-PorousFunctionalMaterials(SKLPM),DepartmentofMaterialsScienceandEngineering,SouthernUniversityofScienceandTechnology,Shenzhen518055,Guangdong,China)Abstract:Asoneoftheimportantsimulationmethodsincomputationalcatalysis,moleculardynamics(MD)simulationplaysanimportantroleinunderstandingthecatalyticmechanismsandiscriticaltothedesignofefficientandstablecatalysts.ClassicalMDsimulationwithempiricalpotentialshasahighcomputationalefficiencybutalimitedaccuracy,particularlyforsystemsinvolvingchemicalreactions,andtheaccuratefirst-principlemethodssufferfromheavycomputationalcostsandbecomeunaffordableinmostcases.Theexistingemergingmachine-learningforcefield(MLFF)methodisprovenwithaffordablecomputationalcostandfirst-principle-levelaccuracy.MLFF-assistedMDsimu...
