Везде

ОХНМЖурнал неорганической химии Russian Journal of Inorganic Chemistry

  • ISSN (Print) 0044-457X
  • ISSN (Online) 3034-560X

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

Вы можете
Код статьи
10.31857/S0044457X23601086-1
DOI
10.31857/S0044457X23601086
Тип публикации
Статус публикации
Опубликовано
Авторы
Бандура А. В.
  • Аффилиация: Санкт-Петербургский государственный университет, Институт химии
Том/ Выпуск
Том 68 / Номер выпуска 11
Страницы
1588-1598
Аннотация
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.
Ключевые слова
межатомные потенциалы многокритериальная оптимизация генетические алгоритмы многостенные нанотрубки DFT-расчеты
Дата публикации
17.09.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
11

Библиография

  1. 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. 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. 3. Kim B., Park N., Kim J. // Nat. Commun. 2022. V. 13. P. 3237. https://doi.org/10.1038/s41467-022-31018-8
  4. 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. 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. 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. 7. Levi R., Bitton O., Leitus G. et al. // Nano Lett. 2013. V. 13. P. 3736. https://doi.org/10.1021/nl401675k
  8. 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. 9. Qin F., Shi W., Ideue T. et al. // Nat. Commun. 2017. V. 8. P. 14465. https://doi.org/10.1038/ncomms14465
  10. 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. 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. 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. 13. Maharaj D., Bhushan B. // Tribol Lett. 2013. V. 49. № 2. P. 323. https://doi.org/10.1007/s11249-012-0071-0
  14. 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. 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. 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. 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. 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. 19. Shen G., Yan Y., Hong K. // Mater. Lett. 2022. V. 319. P. 132303. https://doi.org/10.1016/j.matlet.2022.132303
  20. 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. 21. Yomogida Y., Miyata Y., Yanagi K. // Appl. Phys. Express. 2019. V. 12. P. 085001. https://doi.org/10.7567/1882-0786/ab2acb
  22. 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. 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. 24. Chen Y., Deniz H., Qin L.-C. // Nanoscale. 2017. V. 9. P. 7124. https://doi.org/10.1039/c7nr01688c
  25. 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. 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. 27. Ghorbani-Asl M., Zibouche N., Wahiduzzaman M. et al. // Sci. Rep. 2013. V. 3. P. 2961. https://doi.org/10.1038/srep02961
  28. 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. 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. 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. 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. 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. 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. 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. 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. 36. Dovesi R., Saunders V.R., Roetti C. et al. // CRYSTAL17 User’s Manual. University of Turin. Torino, 2018.
  37. 37. Pacios L.F., Christiansen P.A. // J. Chem. Phys. 1985. V. 82. P. 2664. https://doi.org/10.1063/1.448263
  38. 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. 39. Heyd J., Scuseria G.E., Ernzerhof M. // J. Chem. Phys. 2003. V. 118. P. 8207. https://doi.org/10.1063/1.1564060
  40. 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. 41. Grimme S. // J. Comput. Chem. 2006. V. 27. P. 1787. https://doi.org/10.1002/jcc.20495
  42. 42. Gale J.D., Rohl A.L. // Mol. Simulation. 2003. V. 29. № 5. P. 291. https://doi.org/10.1080/0892702031000104887
  43. 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. 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. 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. 46. Platypus // https://github.com/Project-Platypus/Platypus (accessed May 23, 2023)
  47. 47. Waskom M.L. // J. Open Source Soft. 2021. V. 6. № 60. P. 3021. https://doi.org/10.21105/joss.03021
  48. 48. Hunter J.D. // Comput. Sci. Eng. 2007. V. 9. № 3. P. 90. https://doi.org/10.1109/MCSE.2007.55
  49. 49. The pandas development team. Zenodo 2023. pandas-dev/pandas: Pandas (v2.0.1). https://doi.org/10.5281/zenodo.7857418
  50. 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. 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. 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. 53. Seifert G., Köhler T., Tenne R. // J. Phys. Chem. B. 2002. V. 106. № 10. P. 2497. https://doi.org/10.1021/jp0131323
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека