ACS Nano：层间键合对石墨烯超润滑的影响

摘    要

预计表面缺陷及其相互作用会影响非相称层状材料界面的超光滑滑动。由于从头计算模拟的高计算成本和缺乏可靠的经典力场用于缺陷系统的分子动力学模拟，对这种现象的原子理解受到限制。为了解决这个问题，我们提出了一种双层缺陷石墨烯的机器学习潜力(MLP)，利用最先进的图神经网络，在迭代配置空间探索下训练多体色散校正密度泛函理论计算。利用所开发的MLP研究了层间键合对双层缺陷石墨烯界面摩擦的影响。虽然观察到对对齐石墨烯界面滑动动力学的轻微影响，但由于层间键合，发现不相称的石墨烯界面的摩擦系数显着增加，几乎将系统推出超润滑体系。本文使用的方法具有普遍性，并且可以适应于描述其他均质和非均质缺陷层状材料界面。

图文简介

图1所示。用于构建NequIP模型的迭代过程的示意图。(a)初始参考结构是通过MD模拟和手动操作获得的，用于绑定、滑动和变形场景。对选定的结构进行单点DFT (PBE+MBD)计算，形成训练集和验证集。(b) GNN电位中的报文传递算法示意图。(c)演示在V1V1(每层有一个空位)双层滑动动力学中主动选择离群结构(一个代表性结构如插图所示)，将其包含在下一个训练迭代中。(d)试验集力和能量均方根值随迭代周期的演变示意图。

图2。NequIP预测和DFT计算的比较。从训练(蓝色)、验证(橙色)和测试(绿色)数据集获得的(a)总能量和(b)原子力的奇偶图。(c) AB层石墨烯的DFT(蓝色)和NequIP(橙色)结合能曲线。(d)双层石墨烯的NequIP(左)和DFT(中)滑动PES及其差异(右)。DFT和NequIP能量源分别设置为AB堆叠双层的总能量。使用固定的横向晶格参数A = 2.46 Å，并且允许原子的垂直位置在每个层间堆叠时松弛。右侧为AB、AA、SP三种堆叠模式，其位置已在NequIP PES地图上标注。

图3。原始(V0V0)双层的摩擦模拟。(a)仿真设置原理图(详见方法)。(b)本研究中考虑的9.43°扭曲双层石墨烯的俯视图。在0 K的温度下，获得了(c)对齐和(d)扭曲石墨烯双层的REBO-ILP(蓝色)和NequIP(橙色)剪切应力痕迹

图4。比较(a)原子结构和(b)缺陷石墨烯的形成能，分别由独立优化的DFT和NequIP预测。图(a)中比较了NequIP(和DFT)预测的V1层中悬垂原子的键长和双层缺陷石墨烯的层间键长。

图5。缺陷双层石墨烯的室温滑动动力学模拟。(a)在0(上图)、1.5(中图)和3(下图)GPa的常压下，排列的V1V1双层(橙色)的剪应力轨迹。对应的原始界面(V0V0)的结果用蓝色表示以供比较。阴影区域表示为100个轨迹计算的标准差。(b) 9.43°双绞线接口同面板(a)。(c)对准(橙色)和扭曲(红色)V1V1界面的平均剪应力(在整体平均轨迹位移5.2 nm上的平均值)作为法向压力的函数。排列界面和扭曲界面的缺陷密度分别为0.24%和0.34%。对应的原始(V0V0)接口的结果分别以蓝色和绿色表示。从线性拟合曲线的斜率中提取的cof在每条线附近标记。

图6。单个和连续键形成和断裂事件的演示。(a)外部压力为1.5 GPa时扭曲V1V1体系的室温轨迹快照，显示滑动过程中单键形成和破裂事件。(b)与图(a)相同，但在3gpa的外部压力下，系统表现出两个连续的键形成和破裂事件。只显示缺陷附近的原子，而参与层间键合的原子用颜色突出显示。每个快照下面都标注了横向位移。

总   结

上述结果证明了所开发的MLP在滑动层状界面反应动力学研究中的强大功能。通过提供层内和层间相互作用的统一可靠处理，我们能够揭示复杂键形成和断裂的原子尺度机制，它们对法向和剪切应力的依赖，以及它们对超润滑滑动界面摩擦和磨损的影响。为了实现这一目标，我们利用了最先进的基于gnn的NequIP框架，通过迭代学习周期训练量子力学DFT计算。对于考虑的原始界面，发现开发的机器比基于物理驱动的经典力场慢~ 1 – 3个数量级，但仍然比标准从头算分子动力学(AIMD，基于Born – Oppenheimer近似)模拟快得多(快~ 3 – 4个数量级，见SI图S13)。此外，后者随系统大小的缩放要明显得多。鉴于此，在模拟目前缺乏专用经典力场的缺陷层状界面的复杂反应滑动时，所开发的MLP在精度和计算负担之间提供了理想的折衷。最后，应该注意的是，同样的方法也可以用于其他有缺陷的分层接口，无论是同构的还是异构的。值得注意的是，它也适用于大块材料界面，其中磨损效应在原子水平上很难研究，已知具有核心摩擦学作用。

文献信息：https://doi.org/10.1021/acsnano.3c13099

Ying, P., Natan, A., Hod, O., & Urbakh, M. (2024). Effect of Interlayer Bonding on Superlubric Sliding of Graphene Contacts: A Machine-Learning Potential Study. ACS nano.