创新训练计划资助项目结题案例.doc

“创新训练计划”资助项目结题案例（由项目负责学生在项目完成后撰写，每个项目提交一份）要求：小四号字，宋体，单倍行距1）案例特点鲜明，有一定可借鉴性；2）内容详实，真实有据；3）文稿、图片提供电子版。基本信息（项目负责人填写在第一行）研究题目针对双金属纳米颗粒体系增强抽样方法的发展与应用项目名称1、“国家创新训练计划” 2、“北京市创新计划”（请在相应的项目名称下划“”）所属学科门类化学立项时间2017.7结题时间2018.10学生学号姓 名性别身份证号院（系）专业1500017803管浙彬培学院材料化学导师姓 名性别年龄院（系）专业领域职称/职务蒋鸿男43化学与分子工程学院化学研究员案例摘要（500字以内）本项目的选题背景、目的与意义；项目实施的初步收获和体会 分子模拟已经是研究一个体系的常用方法，但是其计算成本太高，导致其精度往往达不到预期的结果。因此发展高效的抽样方法，是分子模拟的核心问题之一。双金属纳米颗粒体系有着优异的催化性能，其中表面负载型双金属纳米颗粒可催化CO、CO2催化重整等重要反应。但体系较复杂，其稳定性相关的计算方法有待研究和发展。本项目计划发展针对双金属纳米颗粒体系的增强抽样方法并应用于具体性质的计算。项目实施以来，我学习分子模拟相关的数学和物理知识，如随机过程，常微分方程，统计物理等，学习了基本的分子模拟方法：分子动力学及蒙特卡洛方法，并进一步将umbrella sampling以及ITS两种方法与蒙特卡洛方法相结合，最终获得了Ni-Cu双金属纳米颗粒的结构性质，并且用增强抽样方法提高了采样效率。在课题的进行中，我不仅学到了很多专业知识，更获得了大量的实践经验，使我的数理计算机水平得到很大提升，我也体会到了科学研究的艰辛，但更多的是最终得到结果时的欣喜。 案例正文（4000字以内）项目选题的背景（除选题意义以外，应着重说明学生对该项目的自主兴趣所在和原先在该项目上所积累的实践基础和知识基础，400字以内）双金属纳米颗粒催化气相反应一直受到关注，而纳米颗粒的结构在催化过程中非常重要。普通的分子模拟方法已经广为使用，增强抽样方法将分子可以使用的范围进一步推广，因此我希望能够对纳米颗粒这种复杂体系发展增强抽样方法。项目成员的组成、特长、分工及成员间相互协调配合的情况，导师指导情况（400字以内）项目由本人独立完成。相对擅长数学物理推导。每周与导师讨论一次，其他时间通过微信及邮件交流。项目的创新点与特色（包括使用了什么样的创新方法、手段、项目的科学意义和应用价值等，600字以内）对纳米颗粒进行蒙特卡洛研究已经有所报道，但很少有报道将增强抽样方法应用于纳米颗粒的研究。因此我尝试将相对传统的umbrella sampling方法以及新型的ITS方法应用于纳米颗粒。提高抽样效率后，能更准确的模拟纳米颗粒的性质，并且可以将体系扩大至与实际颗粒相当的大小，这不仅有助于研究纳米颗粒的催化性质，也可以用于研究纳米颗粒的其他性质。项目实施的进展情况及初步取得的创新成果（1000字左右）首先学习了基本的分子模拟方法：分子动力学以及蒙特卡洛方法，并且在各种程序上尝试用两种方法进行模拟。考虑到对于金属体系，原子结合较紧密，用分子动力学模拟可能会导致只有外层原子运动，内层原子几乎静止，浪费计算量，且体系的变化太小，很难达到平衡状态，因此我考虑用蒙特卡洛方法进行模拟。采用蒙特卡洛方法的好处在于可以采用一些非物理的方法帮助体系达到平衡，如交换两原子位置，这用分子动力学几乎不可能完成。在势能的选择上，我选用用于金属体系的EMT势，虽然对于纳米颗粒体系EMT势是否有效还需要进一步的检验，但是由于目前的主要目标在于测试算法，因此势能的选择可以相对宽松，不需要非常精确，能够保持定性的结论即可。另外，在每次做完MC移动时，将体系优化至最小能量，这相当于将体系的势能面变成分段常数，简化了势能面，并且与纳米颗粒中常用的basin hopping寻找能量极小值的方法相对应。在尝试了不同程序后，最终采用了python中的ase包进行模拟，因为与python相结合，因此更方便修改程序的细节。对于结构性质的表征，径向分布可以直接用径向分布函数，计算其中某种原子的比例，从而考察是否有原子更倾向于在内部或外部。对于角度上的分布，由于体系有球对称性，因此我们无法观察到某个特殊的朝向，为此我考虑用一种原子的质心位置来表征，若质心位置服从正态分布，则表明角度上为均匀分布的，否则两种原子可能会分相。增强抽样方法选用umbrella sampling以及ITS方法。两种方法都被报道可以提高模拟的效率，但是还没有用于纳米颗粒体系。经过实验，发现两种方法都可以正确地采样感兴趣的性质，Ni-Cu双金属颗粒中Ni原子基本集中在内部，而Cu原子分布在表面，在角度上两种原子均匀分布。而效率上，ITS方法对于模拟效率的提升非常明显，而umbrella sampling没有明显的效果。项目实施过程中的收获与体会（1500字左右）本研刚开始时，我对于分子模拟基本了解很少，只是对增强抽样的方法非常感兴趣，因此选择做这个课题。经过一年多的学习，从知识上说，我学习了分子动力学和蒙特卡洛，基本掌握了分子动力学和蒙特卡洛方法的原理，并且通过学习随机过程相关的知识，对蒙特卡洛方法有了更深的理解。通过增强抽样方法的学习，我了解到更前沿的方法，学到了处理分子模拟的基本技巧。同时，统计物理是分子模拟的基础，通过学习分子模拟，我也对正则系综理论有了更深的认识。相对于知识，我收获更多的是经验。课本上，文献上给出的公式和算法与实际呈现的代码完全是两回事。例如umbrella sampling中高斯势的大小，位置以及标准差的选取都需要凭借经验选取，ITS方法中需要先调整能量零点等，这些都是没有出现在文献上，但是对于程序非常重要的问题。另外，除了算法的学习之外，我在编程水平上也得到很大提高。真正的程序中有许多细节的问题需要注意，小到随机数的生成，大到代码的结构，甚至修改内存溢出的问题，都需要我去实践和落实。通过不断修改代码，我学到了debug的技巧，对于python的使用也更加熟练。另外，使用linux系统中的软件，以及在超算上运行任务也为我以后的研究打下基础。如何通过微观性质表征纳米颗粒的结构特点，这一点在课本，文献上都鲜都提到，不同的体系也需要关注不同的结构特点。因此表征径向以及角向分布的方法我没有可以依据的现成方法，必须自己尝试。最终我选出了几种较为有效的表征方法。虽然这不是非常困难的问题，但是这种从零开始尝试的经验让我受益匪浅。本研期间给我感触最大的就是我在代码水平上的不足，由于对linux系统不熟悉，一开始安装软件就失败了很多次，系统的各种指令我也不熟悉，导致工作效率非常低。最终我的程序是用python编写的，因为我不习惯写函数和类，导致代码冗余很多，经常出问题，改一个bug要很长时间。如果我的编程水平高一些，本研进度会快很多。这也是我现在不断提高编程能力的动力。另外，我感觉认识算法的数学本质很重要，一开始学习分子模拟的时候，看分子动力学和蒙特卡洛感觉很简单，也有现成的程序可以使用，就没有计较背后的数学原理。但是当我要开始用自己的程序，就发现效率很低，常常会卡在一些地方。后来学了数值分析之后，知道分子动力学就是常微分方程的数值解，蒙特卡洛就是马尔科夫链的收敛，感觉一下子领悟到了本质，在写程序就感觉思路贯通。另外数学知识还有助于理解实验结果，如为什么收敛速度是指数而不是反比，这就需要随机过程的知识。不过虽然数学重要，但是在增强抽样算法的设计中，起关键作用的还是物理思想，增强抽样算法的思想都是有物理依据的，而不是凭空产生的，例如提高体系温度，降低某些势垒等。因此仅仅会数学并不够，还需要结合物理上的想法才能实现创新和突破。我还体会到，真正的研究并不会按照自己在开始时预期的想法发展，本研过程中我遇到了很多意想不到的困难，例如内存溢出，体系熔化，力场不完善等问题。这些都是我在开始课题时没有想到的，