开放量子材料数据库OQMD

casjxm

1. OQMD数据库概述​

• ​核心目标​：通过高通量密度泛函理论（HT DFT）加速材料设计与发现，建立大规模计算材料数据库。
• ​数据规模​：包含超过 ​20万条​ DFT计算的晶体结构数据，涵盖实验结构（来自ICSD数据库）和理论原型结构。
• ​开放性与可访问性​：
  
  • 完全免费公开，支持在线访问（http://oqmd.org）及数据库文件下载。
  • 符合美国“材料基因组计划”倡导的数据共享理念。
    

​

2. 数据来源与计算方法​

• ​数据来源​：
  
  • ​实验结构​：国际晶体结构数据库（ICSD）中无部分占位、晶胞原子数≤35的结构（约3.2万条）。
  • ​理论结构​：未探索的二元/三元原型（如L12、Heusler结构等），覆盖80+元素组合。
    
• ​计算工具​：
  
  • 采用 ​Vienna Ab-initio      Simulation Package (VASP)​​ 统一计算。
  • 所有结构经弛豫优化，输出晶格参数、形成能、磁矩等关键性质。
    
• ​热力学稳定性分析​：
  
  • 使用 ​巨正则线性规划（GCLP）​​      判定相稳定性（23%      ICSD结构被预测为0K稳定）。
    

​

3. 数据准确性与验证​

• ​形成能精度​：
  
  • 对比1290组实验值（SGTE数据库），平均误差 ​24 meV/atom，平均绝对误差 ​113 meV/atom。
    

• ​局限性​：依赖输入晶体结构，未探索体系需通过原型补充。
  

​

4. 核心应用场景​

​​(I) 电池材料筛选​

• ​锂离子电池阳极​：
  
  • 筛选硅化物/锡化物/磷化物，评估电压、容量和体积膨胀。
  • 发现 ​TiP、LiSiNi₂、CoSi₂​ 等候选材料（CoSn已商用）。
    

• ​锂空气电池电极​：
  
  • 搜索含Li₂O单元的反应（如Li₅FeO₄），筛选高容量路径。
    

​​(II) 电池涂层设计​

• ​HF清除涂层​：
  
  • 筛选81种金属氧化物，评估HF反应焓（ΔHₛ-ₕF）、容量及锂化电压。
  • 验证已知涂层（Al₂O₃、ZrO₂、MgO），预测新材料。
    

​​(III) 镁合金强化相设计​

• ​长周期堆垛有序（LPSO）相​：
  
  • 预测Mg-RE-Xₛ（RE=稀土）三元体系中LPSO稳定性。
  • 发现 ​Ca/Zn​ 和 ​Sr/Zn​ 体系可替代昂贵稀土元素。
    

​​(IV) 机器学习驱动新材料发现​

• ​三元化合物预测​：
  
  • 结合启发式模型与机器学习（决策树），预测160万种三元组合的形成能。
  • 发现 ​SiYb₃F₅、Ba(TeS₃)​​ 等8种新型稳定化合物。
    

​

5. 未来发展方向​

• ​计算扩展​：增加弹性常数、有限温度声子计算等高级性质。
• ​数据挖掘​：开发机器学习模型预测带隙、磁矩等性质。
• ​多组分相图​：构建高效工具分析10+组元体系相稳定性。
  

​

6. 总结​

OQMD通过整合HT DFT计算与开放数据库，实现了材料性质的高通量预测与筛选，显著加速了电池材料、合金设计等领域的创新。其持续扩展的计算数据和机器学习工具将进一步推动“材料基因组”愿景的实现。

引用：

Saal, J. E.; Kirklin, S.; Aykol, M.;Meredig, B.; Wolverton, C. Materials design and discovery with high-throughputdensity functional theory: the open quantum materials database (OQMD). JOM2013, 65, 1501−1509.