Структурные свойства и теплоемкость жидкого углерода: молекулярная динамика с машинным обучением
Вернуться к обычному виду

Структурные свойства и теплоемкость жидкого углерода: молекулярная динамика с машинным обучением


28.03.2022

Докладчик(и):  Орехов Н.Д.
Авторы:  Орехов Н.Д., Логунов М.А. (ОИВТ РАН)
Дата, время проведения:  31 марта 2022 года (четверг) в 11:00
Адрес:  Семинар будет проводиться в режиме online через программу VideoMost


Аннотация:
Список нерешенных вопросов, связанных со структурными свойствами жидкого углерода и границами его термодинамической устойчивости, по-прежнему остается довольно обширным. В частности, не до конца ясна природа резкого, почти двукратного, падения плотности при P<3 ГПа [1]. Помимо этого, не нашла однозначной интерпретации величина теплоемкости жидкого углерода, которая систематически превышает 3R – эффект, продемонстрированный в недавней статье А.М. Кондратьева и А.Д. Рахеля [2]. В нашей работе [3] в рамках классической молекулярной динамики с машинно-обучаемым потенциалом GAP-20 исследуется поведение углерода в диапазоне температур и давлений Т=5000-6500 K, P=0.5-4 ГПа. Мы показываем, что снижение плотности в области более низких давлений, помимо известного изменения гибридизации от sp2 к sp, сопровождается возникновением наноразмерных пор в веществе. Жидкая фаза низкой плотности напоминает трехмерную сеть, состоящую из линейных sp-гибридизованных цепочек, и обладает высокой сжимаемостью. При этом энергия, уходящая на перестройку ковалентных связей и изменение гибридизации в ходе расширения, может объяснять величину экспериментально наблюдаемых значений теплоемкости.

[1] Savvatimskiy A.I., J. Phys.: Condens. Matter V.20 P.114112 (2008)
[2] Kondratyev A and Rakhel A, PRL V. 122 P.175702 (2019)
[3] Orekhov N and Logunov M, Carbon V. 192 P.179 (2022)


Подключиться к конференции VideoMost
https://saas.videomost.com/service/join/?confid=796790&amp;confpass=7536

Презентация доклада


Возврат к списку


Структурные свойства и теплоемкость жидкого углерода: молекулярная динамика с машинным обучением