炎炎夏季，阻擋不了科研工作者們的前進步伐！讓我們一起從科學(xué)中獲得靈感，多發(fā)Paper！

1. JACS：MgCr2O4中非常規(guī)的電荷傳輸及其對電池插層主體的影響

固體陰極材料中的離子傳輸，規(guī)定了電池運行速率的基本限制；因此，對離子傳輸?shù)臏?zhǔn)確理解，是實現(xiàn)新電池技術(shù)(如鎂電池)的關(guān)鍵缺失部分。基于人們對鋰離子材料的傳統(tǒng)認(rèn)識，MgCr2O4是一種很有前途的鎂離子正極材料，它具有高容量、對鎂陽極的高電壓和可接受的擴散勢壘。然而，電化學(xué)測試揭示了MgCr2O4的顯著的能量限制。在此，為了解決這個昂貴的過程，來自美國阿貢國家實驗室的Brian J. Ingram等研究者，通過電極化高密度MgCr2O4球團來研究長程離子輸運。研究者對電池正極材料中離子輸運的傳統(tǒng)理解，例如能愛因斯坦傳導(dǎo)，不能解釋所測量的響應(yīng)，因為它忽略了可移動物種和它們的非理想自由能之間的摩擦相互作用。在稀條件下，研究者提出了一個擴展的理論，并納入了以上這些相互作用，并減少到能愛因斯坦傳導(dǎo)。這一理論描述了測量的響應(yīng)，研究者在MgCr2O4中報告了第一個研究長程離子傳輸行為。最終表明，Mg的化學(xué)擴散率與鋰離子電極材料相當(dāng)，而總電導(dǎo)率是限速的。鑒于這些差異，MgCr2O4中的能量存儲受到顆粒尺度電壓降的限制，而鋰離子顆粒則受到濃度梯度的限制。未來的材料設(shè)計工作，應(yīng)考慮這一擴展理論中描述的物種間相互作用，特別是關(guān)于多價離子系統(tǒng)及其對連續(xù)介質(zhì)輸運特性的影響。

參考文獻：Ian D. Johnson, Aashutosh N. Mistry, Liang Yin, Megan Murphy, Mark Wolfman, Timothy T. Fister, Saul H. Lapidus, Jordi Cabana, Venkat Srinivasan, and Brian J. Ingram. Unconventional Charge Transport in MgCr2O4 and Implications for Battery Intercalation Hosts.?Journal of the American Chemical Society?Article ASAP DOI: 10.1021/jacs.2c03491

原文鏈接：https://pubs.acs.org/doi/10.1021/jacs.2c03491

2.npj Computational Materials：混合磁流變彈性體使多功能軟驅(qū)動器

磁流變彈性體(MREs)的最新進展提出了一個問題，即軟磁和硬磁顆粒的結(jié)合，是否可能為設(shè)計多功能驅(qū)動器開辟了新途徑。在此，來自西班牙馬德里卡洛斯三世大學(xué)的Miguel Angel Moreno-Mateos?&?Daniel Garcia-Gonzalez等研究者，結(jié)合實驗和計算方法，提出了超軟混合MREs(剛度≈1-10 kPa)的概念。首先，進行了全面的實驗表征。結(jié)果表明，通過選擇適當(dāng)?shù)念w?；旌媳壤?，可以優(yōu)化混合MREs的磁機械性能。然后，一個多物理計算框架提供了在微觀尺度上的協(xié)同磁-力學(xué)相互作用的見解。軟顆粒放大磁化，硬顆粒促進扭轉(zhuǎn)驅(qū)動。研究者的數(shù)值結(jié)果表明，在這些復(fù)雜的相互作用中，混合型MREs產(chǎn)生了有效的響應(yīng)?？傊?，研究者揭示了令人興奮的可能性，以推動MRE解決方案的前沿。通過模擬雙晶片梁，可以根據(jù)磁刺激增強機械彎曲或材料加強，從而提供驅(qū)動靈活性。

參考文獻：Moreno-Mateos, M.A., Hossain, M., Steinmann, P. et al. Hybrid magnetorheological elastomers enable versatile soft actuators.?npj Comput Mater?8,?162 (2022). https://doi.org/10.1038/s41524-022-00844-1

原文鏈接：https://www.nature.com/articles/s41524-022-00844-1

3.npj Computational Materials：第一性原理哈密頓量到精確和可轉(zhuǎn)移的材料模型的等變解析映射

在此，來自英國華威大學(xué)的James R. Kermode等研究者提出了一種方案，以原子軌道表示的哈密頓矩陣作為原子和鍵環(huán)境的函數(shù)，從從頭計算數(shù)據(jù)構(gòu)建預(yù)測模型。該方案超越了傳統(tǒng)的緊束縛描述，因為它代表從頭模型到完全有序，而不是在兩中心或三中心逼近。研究者通過對原子簇擴展(ACE)描述符進行擴展來實現(xiàn)這一點，ACE描述符表示哈密頓矩陣塊，它相對于整個旋轉(zhuǎn)組進行等差變換。該方法產(chǎn)生了哈密頓矩陣和重疊矩陣的解析線性模型。通過對鋁的應(yīng)用，研究者證明了用密度泛函理論計算的少量結(jié)構(gòu)訓(xùn)練模型是可能的，并應(yīng)用它們產(chǎn)生對電子結(jié)構(gòu)的準(zhǔn)確預(yù)測。該模型具有良好的泛化能力，能夠僅從大量訓(xùn)練數(shù)據(jù)中準(zhǔn)確地預(yù)測缺陷。

參考文獻：Zhang, L., Onat, B., Dusson, G. et al. Equivariant analytical mapping of first principles Hamiltonians to accurate and transferable materials models.?npj Comput Mater?8,?158 (2022). https://doi.org/10.1038/s41524-022-00843-2

原文鏈接：https://www.nature.com/articles/s41524-022-00843-2

4.Nature Computational Science：自動發(fā)現(xiàn)隱藏在實驗數(shù)據(jù)中的基本變量

所有的物理定律都被描述為狀態(tài)變量之間的數(shù)學(xué)關(guān)系。這些變量，對相關(guān)系統(tǒng)給出了完整而非冗余的描述。然而，盡管計算能力和人工智能的普及，識別隱藏狀態(tài)變量的過程本身一直抵制自動化。大多數(shù)數(shù)據(jù)驅(qū)動的物理現(xiàn)象建模方法，仍然依賴于相關(guān)狀態(tài)變量已經(jīng)已知的假設(shè)。一個長期存在的問題是，是否有可能僅從高維觀測數(shù)據(jù)中識別狀態(tài)變量。在此，來自美國哥倫比亞大學(xué)的Boyuan Chen等研究者，提出了一個原則來確定一個被觀測系統(tǒng)可能有多少狀態(tài)變量，以及這些變量可能是什么。研究者使用各種物理動力系統(tǒng)的視頻，記錄證明了這種方法的有效性，從彈性雙擺到火焰。在沒有任何基礎(chǔ)物理的先驗知識的情況下，該算法發(fā)現(xiàn)了觀察到的動力學(xué)的內(nèi)在維度，并確定了狀態(tài)變量的候選集。

參考文獻：Chen, B., Huang, K., Raghupathi, S. et al. Automated discovery of fundamental variables hidden in experimental data.?Nat Comput Sci?2,?433–442 (2022). https://doi.org/10.1038/s43588-022-00281-6

原文鏈接：https://www.nature.com/articles/s43588-022-00281-6

5.Nature Computational Science：利用物理啟發(fā)的圖表示的機器學(xué)習(xí)預(yù)測復(fù)雜吸附物的綁定圖案

多相催化的計算篩選，越來越依賴于機器學(xué)習(xí)模型來預(yù)測關(guān)鍵輸入?yún)?shù)，因為直接使用第一性原理方法計算這些參數(shù)的成本很高。當(dāng)考慮到復(fù)雜的材料空間，如合金，或與可能表現(xiàn)出雙齒或更高齒狀吸附基序的吸附物的復(fù)雜反應(yīng)機制時，這就變得尤為重要。在此，來自美國奧胡斯大學(xué)的Mie Andersen等研究者，提出了一種基于定制的Wasserstein Weisfeiler-Lehman圖核和高斯過程回歸的數(shù)據(jù)高效方法，來預(yù)測過渡金屬及其合金上復(fù)雜吸附物的結(jié)合基序和相關(guān)吸附焓。該模型，不僅對其訓(xùn)練的元素過渡金屬具有良好的預(yù)測性能，而且對基于這些過渡金屬的合金也具有良好的預(yù)測性能。此外，合并最小的新訓(xùn)練數(shù)據(jù)，允許預(yù)測域外過渡金屬。該模型在主動學(xué)習(xí)方法中可能是有用的，為此，研究者提出了一種集成不確定性估計方法。

參考文獻：Xu, W., Reuter, K. & Andersen, M. Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation.?Nat Comput Sci?2,?443–450 (2022). https://doi.org/10.1038/s43588-022-00280-7.

原文鏈接：https://www.nature.com/articles/s43588-022-00280-7