Derivation of a Force Field for Computer Simulations of Multi-Walled Nanotubes Using Genetic Algorithm. I. Tungsten Disulfide

Capa

Citar

Texto integral

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

Resumo

A technique for constructing force fields based on the use of genetic algorithms is proposed, which is aimed at parameterization of potentials intended for computer simulation of polyatomic nanosystems. To illustrate the proposed approach, a force field has been developed for modeling layered modifications of WS2, including multi-walled nanotubes, the dimensions of which are beyond the capabilities of ab initio methods. When determining the potential parameters, layered polytypes of bulk crystals, monolayers, bilayers, and nanotubes of small diameters were used as calibration systems. The parameterization found was successfully tested on double-walled nanotubes, the structure of which was determined using density functional calculations. The obtained force field was used for the first time to model the structure and stability of achiral multi-walled nanotubes based on WS2. The interwall distances obtained from the simulation are in good agreement with the results of recent measurements of these parameters for existing nanotubes.

Sobre autores

A. Bandura

Quantum Chemistry Department, Saint-Petersburg State University

Email: a.bandura@spbu.ru
199034, St. Petersburg, Russia

S. Lukyanov

Quantum Chemistry Department, Saint-Petersburg State University

Email: a.bandura@spbu.ru
199034, St. Petersburg, Russia

A. Domnin

Quantum Chemistry Department, Saint-Petersburg State University

Email: a.bandura@spbu.ru
199034, St. Petersburg, Russia

D. Kuruch

Quantum Chemistry Department, Saint-Petersburg State University

Email: a.bandura@spbu.ru
199034, St. Petersburg, Russia

R. Evarestov

Quantum Chemistry Department, Saint-Petersburg State University

Autor responsável pela correspondência
Email: a.bandura@spbu.ru
199034, St. Petersburg, Russia

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

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».