人工智能
应用电化学实验室

通过结合多体量子理论（GW-BSE方法）与深度势能分子动力学模拟，首次从液态水和冰的光学吸收光谱中直接解析出氢键网络中准一维水分子链（水线）的结构有序性。这一发现不仅解决了水线长期缺乏直接观测证据的科学争议，阐明了液态水和冰中电荷转移激子的光谱响应机制，还为理解质子传输、冰相变及生命过程中的水分子行为提供了全新视角。

固液界面对许多物理和化学过程都至关重要，和频光谱（SFG）作为一类特殊的界面敏感光谱学手段，已经用于对固液界面的广泛研究。要在特定光谱信号和独特的界面水结构之间建立明确的相关性，需要使用分子动力学（MD）模拟进行理论计算。这些模拟通常需要相对较长的轨迹（几纳秒），才能通过偶极矩-极化率时间相关函数实现可靠的SFG光谱计算。然而，对长轨迹的要求限制了成本高昂的技术如从头算分子动力学（AIMD）模拟的使用。在这项工作中提出了一种利用机器学习（ML）加速方法计算固液界面振动光谱（红外、拉曼、SFG 光谱）的途径。采用偶极矩-极化率关联函数（μ-α）和表面敏感速度-速度关联函数（ssVVCF）方法来计算 SFG 光谱。结果表明使用 ML 方法成功加速了 AIMD 模拟和 SFG 光谱计算。这一工作为借助 ML 方法以更低的计算成本更快地计算复杂固液界面的 SFG 光谱提供了机会，从而揭示电化学研究中至关重要的界面双电层提供了可能性。

由于日益严重的能源问题和环境问题，可实现大规模电力储存的液流电池（redox flow battery，RFB）受到了广泛的研究，其电力存储的方式为：通过电化学反应氧化或还原电解液中的活性物种，从而将电能转化为化学能，并将电解液转移到电池外部的储存箱中。然而有机电解液的设计目前还处于初级阶段，电解液的稳定性、循环能力和能量密度远未达到应用的标准。

由于纳米催化剂优越的催化活性和对贵金属的高效利用，其在现代化学工业生产中受到了广泛的关注。这些催化剂的表面结构会受到反应条件的显著影响，在真实实验条件下表现出动态行为。这种表面结构的动态特性对传统的催化剂构效关系研究带来了新挑战。