Построение силового поля для компьютерного моделирования многостенных нанотрубок с использованием генетического алгоритма. I. Дисульфид вольфрама

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Предложена методика построения силовых полей, основанная на использовании генетических алгоритмов, которая направлена на параметризацию потенциалов, предназначенных для компьютерного моделирования многоатомных наносистем. Для иллюстрации предлагаемого подхода разработано силовое поле для моделирования слоистых модификаций WS2, включая многостенные нанотрубки, размеры которых выходят за рамки возможностей достаточно точных квантово-химических методов. При определении параметров потенциала в качестве калибровочных систем использованы слоистые политипы объемных кристаллов, монослои, бислои, а также нанотрубки небольших диаметров. Найденная параметризация успешно протестирована на двустенных нанотрубках, структура которых была определена с помощью квантово-химических расчетов. Полученное силовое поле впервые использовано для определения структуры и устойчивости ахиральных многостенных нанотрубок на основе WS2. Межстенные расстояния, полученные в процессе моделирования, хорошо согласуются с результатами недавних измерений этих параметров для реально существующих нанотрубок.

Sobre autores

А. Бандура

Санкт-Петербургский государственный университет,
Институт химии

Autor responsável pela correspondência
Email: a.bandura@spbu.ru
Россия, 199034, Санкт-Петербург, Университетская наб., 7/9

С. Лукьянов

Санкт-Петербургский государственный университет,
Институт химии

Email: a.bandura@spbu.ru
Россия, 199034, Санкт-Петербург, Университетская наб., 7/9

А. Домнин

Санкт-Петербургский государственный университет,
Институт химии

Email: a.bandura@spbu.ru
Россия, 199034, Санкт-Петербург, Университетская наб., 7/9

Д. Куруч

Санкт-Петербургский государственный университет,
Институт химии

Email: a.bandura@spbu.ru
Россия, 199034, Санкт-Петербург, Университетская наб., 7/9

Р. Эварестов

Санкт-Петербургский государственный университет,
Институт химии

Email: a.bandura@spbu.ru
Россия, 199034, Санкт-Петербург, Университетская наб., 7/9

Bibliografia

  1. Musfeldt J.L., Iwasa Y., Tenne R. // Physics Today. 2020. V. 73. № 8. P. 42. https://doi.org/10.1063/PT.3.4547
  2. Kawai H., Sugahara M., Okada R. et al. // Appl. Phys. Express. 2017. V. 10. № 5. P. 015001. https://doi.org/10.7567/APEX.10.015001
  3. Kim B., Park N., Kim J. // Nat. Commun. 2022. V. 13. P. 3237. https://doi.org/10.1038/s41467-022-31018-8
  4. O’Neal K.R., Cherian J.G., Zak A. et al. // Nano Lett. 2016. V. 16. P. 993. https://doi.org/10.1021/acs.nanolett.5b03996
  5. Sinha S.S., Zak A., Rosentsvieg R. et al. // Small. 2020. V. 16. № 4. P. 1904390. https://doi.org/10.1002/smll.201904390
  6. Nagapriya K.S., Goldbart O., Kaplan-Ashiri I. et al. // Phys. Rev. Lett. 2008. V. 101. P. 195501. https://doi.org/10.1103/PhysRevLett.101.195501
  7. Levi R., Bitton O., Leitus G. et al. // Nano Lett. 2013. V. 13. P. 3736. https://doi.org/10.1021/nl401675k
  8. Sugahara M., Kawai H., Yomogida Y. et al. // Appl. Phys. Express. 2016. V. 9. P. 075001. https://doi.org/10.7567/APEX.9.075001
  9. Qin F., Shi W., Ideue T. et al. // Nat. Commun. 2017. V. 8. P. 14465. https://doi.org/10.1038/ncomms14465
  10. Zhang C.Y., Wang S., Yang L.J. et al. // Appl. Phys. Lett. 2012. V. 100. P. 243101. https://doi.org/10.1063/1.4729144
  11. Zhang Y.J., Onga M., Qin F. et al. // 2D Mater. 2018. V. 5. P. 035002. https://doi.org/10.1088/2053-1583/aab670
  12. Divon Y., Levi R., Garel J. et al. // Nano Lett. 2017. V. 17. № 1. P. 28. https://doi.org/10.1021/acs.nanolett.6b03012
  13. Maharaj D., Bhushan B. // Tribol Lett. 2013. V. 49. № 2. P. 323. https://doi.org/10.1007/s11249-012-0071-0
  14. Reddy C.S., Zak A., Zussman E. // J. Mater. Chem. 2011. V. 21. P. 16086. https://doi. org/https://doi.org/10.1039/C1JM12700D
  15. Zohar E., Baruch S., Shneider M.H. et al. // J. Adhes. Sci. Technol. 2011. V. 25. P. 1603. https://doi.org/10.1163/ 016942410X524138
  16. Otorgust G., Dodiuk H., Kenig S., Tenne R. // Eur. Polym. J. 2017. V. 89. P. 281. https://doi.org/10.1016/j.eurpolymj.2017.02.027
  17. Yadgarov L., Višić B., Abir T. et al. // Phys. Chem. Chem. Phys. 2018. V. 20. P. 20812. https://doi.org/10.1039/c8cp02245c
  18. Rahman Md.A., Yomogida Y., Nagano M. et al. // Jpn. J. Appl. Phys. 2021. V. 60. P. 100902. https://doi.org/10.35848/1347-4065/ac2013
  19. Shen G., Yan Y., Hong K. // Mater. Lett. 2022. V. 319. P. 132303. https://doi.org/10.1016/j.matlet.2022.132303
  20. Sinha S.S., Yadgarov L., Aliev S.B. et al. // J. Phys. Chem. C. 2021. V. 125. P. 6324. https://doi.org/10.1021/acs.jpcc.0c10784
  21. Yomogida Y., Miyata Y., Yanagi K. // Appl. Phys. Express. 2019. V. 12. P. 085001. https://doi.org/10.7567/1882-0786/ab2acb
  22. Bar Sadan M., Houben L., Enyashin A.N. et al. // PNAS. 2008. V. 105. № 41. P. 15643. https://doi.org/10.1073_pnas.0805407105
  23. Deniz H., Qin L.-C. // Chem. Phys. Lett. 2012. V. 552. P. 92. https://doi.org/10.1016/j.cplett.2012.09.041
  24. Chen Y., Deniz H., Qin L.-C. // Nanoscale. 2017. V. 9. P. 7124. https://doi.org/10.1039/c7nr01688c
  25. Krause M., Mücklich A., Zak A. et al. // Phys. Status Solidi B. 2011. V. 248. № 11. P. 2716. https://doi.org/10.1002/pssb.201100076
  26. Seifert G., Terrones H., Terrones M. et al. // Solid State Commun. 2000. V. 114. № 5. P. 245. https://doi.org/10.1016/S0038-1098(00)00047-8
  27. Ghorbani-Asl M., Zibouche N., Wahiduzzaman M. et al. // Sci. Rep. 2013. V. 3. P. 2961. https://doi.org/10.1038/srep02961
  28. Бандура А.В., Куруч Д.Д., Лукьянов С.И., Эварес-тов Р.А. // Журн. неорган. химии. 2022. Т. 67. № 12. С. 1795. https://doi.org/10.31857/S0044457X2260116X
  29. Evarestov R.A., Bandura A.V., Porsev V.V., Kovalenko A.V. // J. Comput. Chem. 2017. V. 38. P. 2581. https://doi.org/10.1002/jcc.24916
  30. Evarestov R.A., Kovalenko A.V., Bandura A.V. et al. // Mater. Res. Express. 2018. V. 5. P. 115028. https://doi.org/10.1088/2053-1591/aadf00
  31. Bandura A.V., Lukyanov S.I., Kuruch D.D., Evarestov R.A. // Physica E. 2020. V. 124. P. 114183. https://doi.org/10.1016/j.physe.2020.114183
  32. Piskunov S., Lisovski O., Zhukovskii Y.F. et al. // ACS Omega. 2019. V. 4. P. 1434. https://doi.org/10.1021/acsomega.8b03121
  33. Talla J.A., Al-Khaza’leh Kh., Omar N. // Russ. J. Inorg. Chem. 2022. V. 67. № 7. P. 1025. https://doi.org/10.1134/S0036023622070178
  34. Lukyanov S.I., Bandura A.V., Evarestov R.A. et al. // Physica E. 2021. V. 133. P. 114779. https://doi.org/10.1016/j.physe.2021.114779
  35. Dovesi R., Erba A., Orlando R. et al. // WIREs Comput. Mol. Sci. 2018. V. 8. № 4. P. e1360. https://doi.org/10.1002/wcms.1360
  36. Dovesi R., Saunders V.R., Roetti C. et al. // CRYSTAL17 User’s Manual. University of Turin. Torino, 2018.
  37. Pacios L.F., Christiansen P.A. // J. Chem. Phys. 1985. V. 82. P. 2664. https://doi.org/10.1063/1.448263
  38. Ross R.B., Powers J.M., Atashroo T. et al. // J. Chem. Phys. 1990. V. 93. P. 6654. https://doi.org/10.1063/1.458934
  39. Heyd J., Scuseria G.E., Ernzerhof M. // J. Chem. Phys. 2003. V. 118. P. 8207. https://doi.org/10.1063/1.1564060
  40. Monkhorst H.J., Pack J.D. // Phys. Rev. B. 1976. V. 13. № 12. P. 5188. https://doi.org/10.1103/PhysRevB.13.5188
  41. Grimme S. // J. Comput. Chem. 2006. V. 27. P. 1787. https://doi.org/10.1002/jcc.20495
  42. Gale J.D., Rohl A.L. // Mol. Simulation. 2003. V. 29. № 5. P. 291. https://doi.org/10.1080/0892702031000104887
  43. Shi S., Yan L., Yang Y. et al. // J. Comput. Chem. 2003. V. 24. P. 1059. https://doi.org/10.1002/jcc.10171
  44. Krishnamoorthy A., Mishra A., Kamal D. et al. // SoftwareX. 2021. V. 13. P. 100663. https://doi.org/10.1016/j.softx.2021.100663
  45. Nomura K., Kalia R.K., Nakano A. et al. // SoftwareX. 2020. V. 11. P. 100389. https://doi.org/10.1016/j.softx.2019.100389
  46. Platypus // https://github.com/Project-Platypus/Platypus (accessed May 23, 2023)
  47. Waskom M.L. // J. Open Source Soft. 2021. V. 6. № 60. P. 3021. https://doi.org/10.21105/joss.03021
  48. Hunter J.D. // Comput. Sci. Eng. 2007. V. 9. № 3. P. 90. https://doi.org/10.1109/MCSE.2007.55
  49. The pandas development team. Zenodo 2023. pandas-dev/pandas: Pandas (v2.0.1). https://doi.org/10.5281/zenodo.7857418
  50. Pedregosa F., Varoquaux G., Gramfort A. et al. // J. Machine Learning Res. 2011. V. 12. P. 2825. https://doi.org/10.48550/arXiv.1201.0490
  51. Schutte W.J., De Boer J.L., Jellinek F. // J. Solid State Chem. 1987. V. 70. № 2. P. 207. https://doi.org/10.1016/0022-4596(87)90057-0
  52. Bandura A.V., Evarestov R.A. // Sur. Sci. 2015. V. 641. P. 6. https://doi.org/10.1016/j.susc.2015.04.027
  53. Seifert G., Köhler T., Tenne R. // J. Phys. Chem. B. 2002. V. 106. № 10. P. 2497. https://doi.org/10.1021/jp0131323

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2.

Baixar (137KB)
Metadados
3.

Baixar (62KB)
Metadados
4.

Baixar (81KB)
Metadados
5.

Baixar (807KB)
Metadados
6.

Baixar (102KB)
Metadados

Declaração de direitos autorais © А.В. Бандура, С.И. Лукьянов, А.В. Домнин, Д.Д. Куруч, Р.А. Эварестов, 2023

Este site utiliza cookies

Ao continuar usando nosso site, você concorda com o procedimento de cookies que mantêm o site funcionando normalmente.

Informação sobre cookies