近日，我院黄河学者闻波团队在《美国科学院院刊》（PNAS）发表了题为“Water dissociation at the water-rutile TiO2(110) interface from ab initio-based deep neural network simulations”的研究论文，揭示了水在无缺陷金红石二氧化钛表面分解的微观反应机理。闻波为论文第一作者，通讯作者为普林斯顿大学表面界面专家Annabella Selloni教授，合作者还包括北京航空航天大学杰出青年基金获得者刘利民教授等，河南大学为第一署名单位。

深度学习方法应用到能源材料研究近年来得到了广泛关注，为材料模拟和理论计算提供了新的思路和方法。闻波团队利用深度神经网络对第一性原理模拟的计算结果进行了学习和训练，成功得到了可重复第一性原理计算精度的经典分子动力学模拟势函数。该深度势函数具有第一性计算的精度，兼具经典模拟的效率，在长时间、大尺度模拟中具有良好潜力。团队将训练得到深度势函数应用到4-16层二氧化钛模型中，经过大约25纳秒的模拟，发现部分水分子在没有缺陷的金红石表面发生了分解。通过分析较厚层数的分解情况，发现完美表面水分子分解的比例约为22±6%，相关理论模拟结果与最新的实验结果相匹配，充分验证了本研究得到的深度势函数具有优异的可靠性和扩展性。此外，团队还系统研究了水分子分解过程中的质子传输机制，研究发现质子的传输路径主要分为直接传输和间接传输，且两种路径之间可相互衔接，在分解过程中质子传输产生的表面羟基平均寿命约为7.6±1.8纳秒。这一研究工作发现了传统第一性计算中模拟尺度难以观测到的反应过程和机理，为复杂体系深度势函数的构建与应用提供了系统性的研究方法。

本项研究工作得到了国家自然科学基金和河南大学的支持。

论文链接：https://www.pnas.org/doi/10.1073/pnas.2212250120