PhoenixD Über uns News und Veranstaltungen
Veröffentlichungen von Dr. Mortazavi und Prof. Zhuang erreichen Spitzenplätze in den Kategorien "HOT" und "Most Cited" Arbeiten

Veröffentlichungen von Dr. Mortazavi und Prof. Zhuang erreichen Spitzenplätze in den Kategorien "HOT" und "Most Cited" Arbeiten

Im Bereich der auf maschinellem Lernen basierenden Materialforschung und -gestaltung erreichen die Arbeiten von PhoenixD-Forschenden in den Zeitschriften 'Materials Horizons' und 'Nano Energy' die vordersten Plätze in den Kategorien "HOT" und "Most Cited".

Platz fünf der meistzitierten Artikel der Zeitschrift Nano Energy (Impact Factor 17.6) für die Arbeit der PhoenixD-Mitglieder Dr. Mortazavi und Prof. Zhuang. Die Arbeit der PhoenixD-Forschenden trägt den Titel "Exceptional piezoelectricity, high thermal conductivity and stiffness and promising photocatalysis in two-dimensional MoSi2N4 family confirmed by first-principles https://doi.org/10.1016/j.nanoen.2020.105716)". Die Autoren untersuchten durch eine Kombination aus Dichtefunktionaltheorie und Berechnungen interatomarer Potentiale mit maschinellem Lernen die Stabilität, die mechanischen Eigenschaften, die Wärmeleitfähigkeit des Gitters, die piezoelektrische und flexoelektrische Reaktion sowie die photokatalytischen, optischen und elektronischen Eigenschaften von MA2Z4 -Nanoblättern. Ihre theoretischen Ergebnisse bestätigen, dass MA2Z4 -Nanoblätter nicht nur die Familie der Übergangsmetall-Dichalcogenide zweifellos übertreffen, sondern auch mit Graphen konkurrieren können, wenn es um Anwendungen in der Nanoelektronik, Optoelektronik, Energiespeicherung/-umwandlung und Wärmemanagementsystemen geht.

Die von Dr. Bohayra Mortazavi und Prof. Xiaoying Zhuang verfasste Veröffentlichung zum Thema "Atomistic modeling of the mechanical properties: the rise of machine learning interatomic potentials (https://doi.org/10.1039/D3MH00125C)" wurde auf den dritten Platz der "HOT" Manuskripten der angesehenen Zeitschrift Materials Horizons im Jahr 2024 (Impact Factor 13,3) gewählt. In ihrer Arbeit wird zum ersten Mal die Robustheit der maschinell lernenden interatomaren Potenziale (MLIPs) bei der Analyse der mechanischen Stabilität hervor gehoben, die die weithin beliebten Methoden der Dichtefunktionaltheorie und der empirischen interatomaren Potenziale übertreffen. Die aktuellen Herausforderungen des maschinellen Lernens interatomarer Potentiale in den Simulationen mechanischer Eigenschaften werden ebenfalls zusammengefasst.