Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
We present a response-augmented machine-learning (ML) approach to the energetics of electrified metal surfaces. We leverage local descriptors to learn the work function as the first-order energy change to introduced bias charges and stabilize this learning through Born effective charges. This permits the efficient extension of ML interatomic potential architectures to include finite bias effects up to second order. Application to OH at Cu(100) rationalizes the experimentally observed pH dependence of the preferred adsorption site in terms of a non-Nernstian charge-induced site switching.