报告题目：基于机器学习模型的光谱模拟和固态电解质离子传输机制研究
报告嘉宾：许楠副研究员
报告主持人：王伟教授
讲座时间：2024年9月12日（周四）下午3：00-4：00
讲座地点：曲江校区教八楼106智慧教室
承办单位：bat365在线平台
报告摘要：光谱技术是研究分子结构的有力工具，广泛用于气体、液体和固体组成和结构的鉴别分析。原子尺度模拟可用于预测此类光谱，但由于计算成本过高或过度近似造成的可靠性不足，难以用于复杂大体系光谱的高精度模拟。在本报告中，我们介绍一种新的基于机器学习（ML）模型的红外/拉曼光谱模拟方法，与早期的方法相比，在精度和计算效率方面实现了显著的性能提升。我们将神经演化势（NEP）推广到了一阶和二阶张量的预测，建立了张量神经演化势（TNEP），并将其应用到分子、液体和固体的偶极矩、极化率性质的预测。通过将NEP和TNEP框架进行有机整合，我们建立了高质量模拟红外、拉曼光谱的新方法，并成功模拟了液体水、钙钛矿体系的红外和拉曼光谱。理解锂离子扩散的原子机制对于优化固态电解质材料设计至关重要。锂离子在位点间的跳跃率常被用于评估其扩散能力，但与均方位移 (MSD) 计算得出的最佳阴离子无序度往往存在不一致。我们以Li6PS5Cl为模型，通过机器学习分子动力学模拟确定了最佳阴离子无序度区间为37.5%–50%，并基于有效跳跃率算法成功阐释了这一区间锂离子高扩散活性的微观机理。本研究将宏观离子导率与微观机制联系起来，为固态电解质材料的设计提供了理论指导。
报告人简介：许楠，浙江大学衢州研究院特聘副研究员、分子智造工程研究所副所长。许楠博士长期从事生物材料、能源材料的分子模拟研究以及振动光谱的计算研究。主持国家自然科学青年基金项目等纵向项目3项，以及企业横向6项。近五年以第一或通讯作者在Journal of Chemical Theory and Computation、Journal of Materials Chemistry A、Journal of Physical Chemistry A/C等期刊上发表了SCI论文6篇。参与发表SCI高水平期刊论文20余篇，论文总引用2000余次。担任Journal of Physical Chemistry C和Engineering期刊的审稿人。许楠博士也是VASPKIT和国产分子动力学软件（GPUMD）开发者之一。
