Utilizando aprendizado de máquina para sistemas sob o efeito de um potencial externo: introduzindo modelos de potenciostato em dinâmica molecular baseada em redes neurais

• Processo: 23/11751-9
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de janeiro de 2024
• Data de Término da vigência: 31 de dezembro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Alexandre Reily Rocha
• Beneficiário: Alexandre Reily Rocha
• Pesquisador Anfitrião: Mariana Rossi Carvalho
• Instituição Sede: Instituto de Física Teórica (IFT). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brasil
• Instituição Anfitriã: Max Planck Society, Hamburg, Alemanha
• Vinculado ao auxílio: 21/14335-0 - ICTP Instituto Sul-Americano para Física Fundamental: um centro regional para Física Teórica, AP.ESP
• Assunto(s): Eletroquímica Aprendizado computacional Propriedades eletrônicas Água
• Palavra(s)-Chave do Pesquisador: electrochemistry | machine learning | metal interfaces | Water | water | Electronic properties of materials

Resumo

Compreender as reações e estruturas na interface água/metal desempenha um papel fundamental na conversão e armazenamento de energia eletroquímica. No entanto, fornecer uma descrição teórica e experimental em escala molecular de interfaces eletrificadas sob condições eletroquímicas permanece um desafio. Simulações de primeiros princípios forneceram novas perspectivas e insights cruciais sobre a estrutura da água nas interfaces metálicas. No entanto, simulações de computador realistas de células eletroquímicas que incluem efeitos de solvente e descrevem explicitamente eletrólitos aquosos sob um potencial de polarização externo ainda são computacionalmente muito caras para os tamanhos de sistema e escalas de tempo necessárias para estudar processos eletroquímicos de maneira confiável. Neste projeto, vamos implementar uma metodologia para um potenciostato dentro do ensemble canônico e combiná-lo com diferentes frameworks de aprendizado de máquina para acelerar os cálculos e nos permitir tratar grandes sistemas. O código resultante levará a uma maior compreensão das interfaces água/metal, pois poderemos simular os efeitos de um viés externo para sistemas de grandes tamanhos e escalas de tempo longas, isto é, uma célula eletroquímica realista. (AU)