[论文解读] Crumbling Crystals: On the Dissolution Mechanism of NaCl in Water

Niamh O’Neill, Christoph Schran+2 more|arXiv (Cornell University)|Nov 8, 2022

Spectroscopy and Quantum Chemical Studies被引用 4

一句话总结

本研究利用机器学习势能对水中的氯化钠溶解过程进行从头算精度的模拟，揭示了在快速晶体崩解之前存在一种随机的、逐个离子的解缠绕机制——称为“崩解”（crumbling）。该过程由表面积与体积比的增加所驱动，首次提供了溶解动力学的原子级分辨率视图，并为未来在受限或流动条件下研究复杂电解质体系奠定了基础。

ABSTRACT

Life on Earth depends upon the dissolution of ionic salts in water, particularly NaCl. However, an atomistic scale understanding of the process remains elusive. Simulations lend themselves conveniently to studying dissolution since they provide the spatio-temporal resolution that can be difficult to obtain experimentally. Nevertheless, the complexity of various inter- and intra-molecular interactions require careful treatment and long time scale simulations, both of which are typically hindered by computational expense. Here, we use advances in machine learning potential methodology to resolve for the first time at an ab initio level of theory the dissolution mechanism of NaCl in water. The picture that emerges is that of a steady ion-wise unwrapping of the crystal preceding its rapid disintegration, reminiscent of crumbling. The onset of crumbling can be explained by a strong increase in the ratio of the surface to volume of the crystal. Overall, dissolution is comprised of a series of highly dynamical microscopic sub-processes, resulting in an inherently stochastic mechanism. These atomistic level insights now pave the way for a general understanding of dissolution mechanisms in other crystals, and the methodology is primed for more complex systems of recent interest such as water/salt interfaces under flow and salt crystals under confinement.

研究动机与目标

• 解析氯化钠在水中溶解的原子级机制，尽管其在生物学和技术上具有重要意义，但该机制至今仍不甚明了。
• 通过实现长时间尺度、高精度的多个溶解事件模拟，克服以往模拟依赖力场或单条轨迹的局限性。
• 探究溶解是否遵循可预测的、确定性路径，或本质上具有随机性，特别是在不同浓度和温度条件下的行为。
• 建立一种可推广的方法论，用于研究水溶液电解质中的复杂溶解过程，包括受限或流动条件下的情况。
• 为理解其他离子晶体的溶解行为以及水/盐界面过程（与电池科学、海水淡化和地球化学密切相关）提供基础。

提出的方法

• 采用基于主动学习的机器学习势能（MLPs），利用rev-PBE泛函结合D3色散校正的从头算分子动力学（AIMD）数据进行训练。
• 采用库仑基线，结合TIP3P水模型和Na⁺与Cl⁻的点电荷，通过粒子网格艾尔曼求和（particle mesh Ewald summation）确保长程静电作用的准确性。
• 通过多代迭代优化MLP模型，在训练集上实现1.3 meV/原子的能量均方根误差（RMSE）和38.0 meV/Å的力均方根误差（RMSE）。
• 在330 K下，使用CP2K/Quickstep在NVT系综中进行超过300 ns的分子动力学模拟，每个体系运行10条独立轨迹以捕捉随机行为。
• 在不同浓度（1.43–5.61 mol/kg）和温度（包括400 K用于验证）下，模拟了不同尺寸的氯化钠纳米晶体（4×4×4，6×6×6）。
• 分析轨迹以追踪离子损失、表面演化和结构崩解，重点关注表面积与体积比的变化趋势及逐个离子的溶解序列。

实验结果

研究问题

• RQ1 氯化钠在水中的溶解在原子尺度上的机制是什么？其过程是遵循确定性路径还是本质上具有随机性？
• RQ2 表面积与体积比的变化如何与溶解过程中晶体快速崩解（‘崩解’）的开始相联系？
• RQ3 溶解动力学在多大程度上依赖于浓度和温度？所观察到的行为在不同体系中是否具有普适性？
• RQ4 机器学习势能能否在从头算精度和长时间尺度下准确捕捉水-水和水-离子相互作用之间的微妙平衡？
• RQ5 微观子过程（如离子喷射和表面空位形成）在整体溶解动力学中起到何种贡献？

主要发现

• 溶解机制最适于描述为晶体表面逐个离子的稳定解缠绕，随后发生突然且迅速的崩解，类似于‘崩解’。
• ‘崩解’的开始与纳米晶体表面积与体积比的急剧上升同步，表明几何因素在快速崩解转变中起主导作用。
• 溶解本质上具有随机性，即使在相同条件下，不同独立轨迹之间的离子损失序列也存在显著差异。
• 在溶解最后20%的过程中，表面积与体积比增加了超过50%，并与快速离子喷射和结构坍塌的开始密切相关。
• 机器学习势能模型实现了高精度（1.3 meV/原子能量RMSE，38.0 meV/Å力RMSE），实现了超过300 ns的从头算质量模拟，远超典型AIMD的极限。
• 该方法成功捕捉了离子与水分子之间复杂的动态相互作用，包括瞬态溶剂壳层和缺陷介导的离子释放，在多种浓度和温度条件下均表现良好。