================================
分享一个 Warren Cowley Parameters 程序:表征短程有序的化学基序。
感谢论文的原作者!
================================
主要内容
“晶体材料的化学成分具有原子尺度的波动,可调节各种中尺度特性。建立此类材料的化学-微结构关系需要对这些化学波动进行适当的表征。然而,目前的表征方法(如 Warren-Cowley 参数)只能部分利用局部化学图案所包含的完整化学和结构信息。在此,我们介绍一种基于 E(3)- 等变图神经网络的框架,它能够完全识别任意化学元素数量的任意晶体结构中的化学图案。这种方法自然而然地为量化化学复杂材料中的化学短程有序(SRO)提供了一种适当的信息论度量,并为化学空间提供了一种精简但完整的表征。我们的框架可以将任何原子间性质与其相应的局部化学主题相关联,从而为探索化学复杂材料的结构-性质关系提供了新的途径。我们使用 MoTaNbTi 高熵合金作为测试系统,通过评估与每个化学主题相关的晶格应变,以及计算化学波动长度尺度的温度依赖性,展示了这种方法的多功能性。”——取自文章摘要。
================================
Figure 1
Figure 2
Figure 3
Figure 4
Figure 5
Figure 6
Figure 7
WarrenCowleyParameters
OVITO Python modifier to compute the Warren-Cowley parameters, defined as:
α i j m = 1 − p i j m c j ,
where m denotes the m-th nearest-neighbor shell, p i j m is the average probability of finding a j-type atom around an i-type atom in the m-th shell, and c j is the average concentration of j-type atom in the system. A negative α i j m suggests the tendency of j-type clustering in the m-th shell of an i-type atom, while a positive value means repulsion.
from ovito.io import import_file
import WarrenCowleyParameters as wc
pipeline = import_file("fcc.dump")
mod = wc.WarrenCowleyParameters(nneigh=[0, 12, 18], only_selected=False)
pipeline.modifiers.append(mod)
data = pipeline.compute()
wc_for_shells = data.attributes["Warren-Cowley parameters"]
print(f"1NN Warren-Cowley parameters: \n {wc_for_shells[0]}")
print(f"2NN Warren-Cowley parameters: \n {wc_for_shells[1]}")
Installation
For a standalone Python package or Conda environment, please use:
pip install --user WarrenCowleyParameters
For OVITO PRO built-in Python interpreter, please use:
ovitos -m pip install --user WarrenCowleyParameters
If you want to install the lastest git commit, please replace WarrenCowleyParameters
by git+https://github.com/killiansheriff/WarrenCowleyParameters.git
.
================================
以上是我们分享的一些经验或者文章的搬运,或有不足,欢迎大家指出。若留言未回复,重要的消息可以留言再提醒一下,因为超过 48 小时不可回复。
如有侵权,请联系我们立马删除!
👇
文章题目:
Chemical-motif characterization of short-range order with E(3)-equivariant graph neural networks
👇
-
键序参数分析程序——Bond Order Parameters
-
一个用于分析轨迹文件(LAMMPS)的VMD插件:可分析数密度、质量、电荷和电子分布
-
晶体结构轨迹(VASP、LAMMPS)分析后处理程序 ISAACS
-
安装教程:结构轨迹后处理程序ISAACS
-
TPMD 程序:利用分子动力学轨迹研究速率过程并进行温度编程分子动力学计算的工具包
-
【程序分享】bop 程序 :分子动力学模拟中进行键序参数分析—Bond Order Parameters(一)
-
【程序分享】bopcalc 程序:一种评估分子动力学模拟中键序参数的高效方法(二)
-
【程序分享】AACSD 程序: 用于晶体结构和缺陷的原子分析平台
-
【程序分享】AADIS 程序:位错特征和分布的原子分析平台
-
【程序分享】SPaMD studio 程序:(VASP + LAMMPS) 原子建模、模拟、分析和可视化的集成平台