PDF《E06.材料基因组》

(2) 设计了一系 列双金属氧化物材料,其中 CuxRu1-xO2 作为酸性析氧电催化剂,在电流密度达到

10 mA/cm2 时其过电位仅为 188mV,表 现出比商用 RuO2 电催化剂更优异的电催化析氧活性和稳定性,通过密度泛函理论模拟计算发现,高能面上的三配位 Ru 原 子在反应过程逐步被氧化从而大幅度降低 OER 的反应能垒,同时 Cu 掺杂可以调整 RuO2 的电子结构,因此大幅度地提高 其OER 催化活性.? E06-10(I) 高通量第一性原理计算筛选 Sb2Te3 相变存储材料的最佳掺杂元素? 孙志梅 北京航空航天大学 基于(GeTe)m(Sb2Te3)n(GST)硫族化合物的相变存储器(PCRAM)是最具竞争力的下一代非易失半导体存储器,PCRAM 利用 GST 在晶相和非晶相之间的快速可逆相变实现数据存储,利用晶相和非晶相之间巨大的电阻率/光学性质差异实现数据读出. 在诸多硫族化物相变存储材料中,Sb2Te3 的晶化速度最快,亦即 PCRAM 的操作速度最快,因而成为 PCRAM 的最佳候选材料之 一.然而,Sb2Te3 较低的电阻率和较差的热稳定性等特点阻碍了其实际应用.因此,寻找一种既可以提高晶态电阻率又能提高非 晶态热稳定性的掺杂元素是提高 Sb2Te3 综合性能的有效途径. 我们利用第一性原理高通量计算筛选出 Sb2Te3 的最佳掺杂元素是钇 和钪,进一步的第一性原理计算和第一性原理分子动力学模拟研究表明,这两种掺杂元素不仅都能提高晶态电阻率,避免引入多 余载流子,而且也都能显著提高非晶态的热稳定性,并详细探讨了其物理机理.该理论预测也得到了实验验证.本研究提供了一 种可以用于设计先进相变存储材料和寻找性半导体掺杂体系的方法,解决了实验中因相分离导致器件失效的难点. E06-11(I) 机器学习加速材料性能预测 肖斌,金倩,吴雨沁,王成洁,刘轶* 上海大学材料基因组工程研究院 上海大学物理系量子和分子结构国际中心 *E-mail: [email protected] 数据科学/信息学成为现代科学研究中继实验、理论和计算方法后的第四研究范式.本研究介绍将机器学习手段与计算 和实验方法结合进行材料性能预测.具体案例包括(1)第一性原理计算结合机器学习预测高温合金的合金元素占位置换能. (2)实验与机器学习结合预测高熵合金的相结构和硬度.我们的结果证明了机器学习方法可以有效拓展计算和实验材料研究 的应用范围,低成本加速材料性能预测和设计. 关键词:机器学习;

数据挖掘;

材料基因;

材料性能预测?

4 E06-12(O) 稳定 MAX 相的高通量计算筛选? 胡前库,吴庆华,周爱国,王李波 河南理工大学材料科学与工程学院 MAX 相是一系列三元层状化合物的总称,既具有陶瓷材料的高熔点、高硬度、抗热震性、耐腐蚀性等特点,又像金属 材料一样,具有良好延展性、高导电/导热性、可机械加工性等特点,是一种具有重要应用背景的结构陶瓷材料.MAX 相具 有统一的化学式 Mn+1AXn,其中 M 是早期过渡金属(Sc、Ti、V、Cr、Zr、Nb、Mo、Hf、Ta 等),A 主要是 III、IV 主族元 素(Al、Si、P、S、Ga、Ge、As、Cd、In、Sn、Tl、Pb 等),X 是C或者 N,n=

1、

2、3 等.MAX 相家族庞大、成员众多, 成分和结构连续可调.发展新成员,将会继续丰富 MAX 相家族,必将补充完善 MAX 相材料的物化性能和应用领域. 在本文中,我们以 MAX 相中的 M2AX 体系作为研究对象,将组合化学的思想与第一性原理计算相结合,高通量计算 筛选 M2AX 体系中存在的稳定相. 筛选结果显示:在M2AC 体系中,存在