一种用于铌的鲁棒机器学习原子间势：具有精确缺陷构型的碰撞级联模拟
材料科学
2025-02-06 v1
摘要
铌（Nb）及其合金因其良好的力学、热学和辐照性能而被广泛应用于各种技术领域。准确模拟辐照下的Nb对于预测微观结构变化、缺陷演化和整体材料性能至关重要。传统的Nb原子间势无法预测正确的自间隙原子（SIA）构型，而这是辐照损伤模拟中的一个关键因素。我们利用谱邻域分析势（SNAP）框架开发了一种机器学习原子间势（MLIP），该势基于从头算密度泛函理论（DFT）计算进行训练，能够准确捕捉不同SIA哑铃构型的相对稳定性。由此产生的势再现了DFT级别的精度，同时保持了大规模分子动力学（MD）模拟的计算效率。通过一系列涉及弹性、热学和缺陷性质的验证测试——包括碰撞级联模拟——我们表明，我们的SNAP势解决了现有嵌入原子方法（EAM）和Finnis-Sinclair（FS）势中持续存在的局限性，并且对于碰撞级联的MD模拟是有效的。值得注意的是，它准确捕捉了碰撞级联初级损伤中Nb的基态SIA构型，为预测性辐照研究提供了一个鲁棒的工具。
引用
@article{arxiv.2502.03126,
title = {A Robust Machine Learned Interatomic Potential for Nb: Collision Cascade Simulations with accurate Defect Configurations},
author = {Utkarsh Bhardwaj and Vinayak Mishra and Suman Mondal and Manoj Warrier},
journal= {arXiv preprint arXiv:2502.03126},
year = {2025}
}