基于机器学习加速 ab initio 熔点性质计算：应用于高熵合金 TaVCrW
材料科学
2024-08-19 v1
摘要
熔点性质对于设计新材料尤其是发现高性能高熔点耐高温材料至关重要。由于熔点温度极高，实验测量这些性质极具挑战性。因此，互补的理论预测显得必不可少。传统方法使用密度泛函理论（DFT）的自由能方法一直是此类目的的黄金标准，由于其高精度。然而，它通常涉及使用 ab initio 分子动力学模拟的昂贵热力学积分。高计算成本使得高通量计算不可行。本文提出一种高度有效的 DFT 基方法，辅以特别设计的机器学习势能。由于机器学习势能可以准确再现 ab initio 相空间，包括多组分合金，昂贵的热力学积分可完全被更高效的自由能扰动计算所取代。该方法相较于当前替代方案可节省约80%的计算资源。我们将该方法应用于高熵合金 TaVCrW，计算其熔点性质，包括熔点温度、熔化熵和熔化焓以及熔点处的体积变化。此外，还计算了固态和液态 TaVCrW 的比热容。结果与 calphad 拟合值相当。
引用
@article{arxiv.2408.08654,
title = {Accelerating ab initio melting property calculations with machine learning: Application to the high entropy alloy TaVCrW},
author = {Li-Fang Zhu and Fritz Koermann and Qing Chen and Malin Selleby and Joerg Neugebauer and and Blazej Grabowski},
journal= {arXiv preprint arXiv:2408.08654},
year = {2024}
}
备注
14 pages, 6 figures