science >> Wetenschap >  >> Chemie

Machine learning voorspelde een superhard wolfraamnitride met hoge energiedichtheid

Kristalstructuur en theoretische elektronische structuren van nieuwe W-N fasen. Krediet:©Science China Press

Hoewel machine learning in veel opzichten succesvol is geweest, de toepassing ervan in kristalstructuurvoorspellingen en materiaalontwerp is nog in ontwikkeling. Onlangs, Prof. Jian Sun's groep bij de afdeling Natuurkunde, Nanjing-universiteit, implementeerde een machine-learning algoritme in de kristalstructuur zoekmethode. Ze gebruikten een machine learning-algoritme om het potentiële energieoppervlak te beschrijven en gebruikten het om de kristalstructuren te filteren, verbetering van de zoekefficiëntie van kristalstructuurvoorspelling.

Hybride verbindingen van overgangsmetalen en lichte elementen, vooral overgangsmetaalnitrides, zijn op grote schaal bestudeerd vanwege hun hoge onsamendrukbaarheid en bulkmodulus. Echter, superhard wolfraamnitrides (Vickers-hardheid meer dan 40 GPa) zijn nog niet gevonden. De energiebanden die worden bijgedragen door d-valentie-elektronen van wolfraamatomen kunnen gemakkelijk het fermi-energieniveau overschrijden, en de metalliciteit leidt tot een grote vermindering van hun hardheid. Daarom, Het ontwerpen van niet-metalen wolfraamnitride kristalstructuren lijkt een veelbelovende manier om uitstekende mechanische eigenschappen zoals superhardheid te bereiken.

Op basis van eerder onderzoek, een samenwerking onder leiding van prof. Jian Sun en prof. Hui-Tian Wang van de afdeling Natuurkunde, Nanjing-universiteit, vatte drie eigenschappen samen voor het ontwerpen van superharde hybride verbindingen van overgangsmetaal en lichte elementen:hogedrukstabiele en omgevingsdruk metastabiele kristalstructuur, niet-metalen elektronische structuren, en een grote verhouding van lichte elementen. Deze kenmerken inspireerden hen om stikstofrijke wolfraamnitriden te ontwerpen die speciale op stikstof gebaseerde basisconfiguraties bevatten, zoals ringen, kettingen, netwerken en kaders, enz. Gebaseerd op deze ontwerpregels en de nieuw ontwikkelde machine-learning kristalstructuur zoekmethode, ze hebben met succes een niet-metalen stikstofrijk wolfraamnitride h-WN6 voorspeld. Het heeft een sandwich-achtige structuur gevormd door stikstof-zesledige ring en wolfraamatomen.

De elektronenlokalisatiefunctie en Bader-ladingsanalyse geven aan dat h-WN6 een ionisch kristal is dat sterke N-N covalente bindingen bevat. Het kan stabiel zijn bij hoge drukken en metastabiel zijn bij omgevingsdruk. Bovendien, het heeft een kleine, indirecte energiekloof en abnormaal verbredend gedrag onder compressie. (zie de kristalstructuur, elektronische structuren en het hogedrukgedrag in de bijgevoegde afbeelding). interessanter, h-WN6 wordt geschat als de moeilijkste van de tot nu toe bekende overgangsmetaalnitriden, met een Vickers-hardheid van rond de 57 GPa en heeft ook een vrij hoge smelttemperatuur van rond de 1, 900 K. Bovendien, hun berekeningen laten ook zien dat deze stikstofrijke verbinding kan worden beschouwd als een potentieel materiaal met hoge energiedichtheid vanwege de goede gravimetrische (3,1 kJ/g) en volumetrische (28,0 kJ/cm 3 ) energiedichtheden.

Een samenwerkend onderzoeksteam uit China implementeerde een machine learning-algoritme in de zoekmethode voor kristalstructuur en vond een superhard wolfraamnitride met behulp van hun nieuwe methode. Hun berekeningen laten zien dat deze verbinding het moeilijkste overgangsmetaalnitride is dat tot nu toe bekend is, en het heeft ook andere buitengewone eigenschappen, zoals hoge smelttemperatuur en hoge energiedichtheid. Krediet:©Science China Press

De onderzoekers ontwikkelden een machine learning versnelde zoekmethode voor kristalstructuren, vatte de ontwerpregels samen van verbindingen van superhard overgangsmetaal lichte elementen, en voorspelde een superhard wolfraamnitride met hoge energiedichtheid en goede thermische stabiliteit. De studie zal het theoretische ontwerp en de experimentele synthese van dit soort overgangsmetaalmateriaal met potentiële toepassingswaarde stimuleren. Dit zal ook de familie van superharde materialen verrijken en kan als referentie worden gebruikt om de oorsprong van hardheid te begrijpen.