利用通用机器学习势加速 CALPHAD 方法在复杂合金中的相图预测：机会与挑战
材料科学
2025-07-08 v1 机器学习
摘要
准确的相图预测对于理解合金热力学和推进材料设计至关重要。虽然传统 CALPHAD 方法稳健，但资源密集且受限于实验数据。本工作探讨了使用机器学习原子势（MLIPs）如 M3GNet、CHGNet、MACE、SevenNet 和 ORB 来显著加速相图计算，通过 Alloy Theoretic Automated Toolkit (ATAT) 将原子系统能量和自由能的计算映射到 CALPHAD 兼容的热力学描述。以 Cr-Mo、Cu-Au 和 Pt-W 为案例研究，我们展示，MLIPs，特别是 ORB，相对于 DFT 实现了超过三个数量级的计算加速，同时保持相稳定性预测在可接受的准确性范围内。将该方法扩展到液相和如 Cr-Mo-V 之类的三元体系，凸显了其对于高熵合金和复杂化学空间的通用性。本工作表明，MLIPs 与 ATAT 等工具集成到 CALPHAD 框架中，提供了一个高效且准确的高通量热力学建模框架，使快速探索新合金体系成为可能。尽管仍存在许多待解决的挑战，但这些 MLIPs（尤其是 ORB）的准确性已接近为多组分、多相合金体系的高通量生成 CALPHAD 热力学描述铺平了道路。
引用
@article{arxiv.2411.15351,
title = {Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges},
author = {Siya Zhu and Raymundo Arróyave and Doğuhan Sarıtürk},
journal= {arXiv preprint arXiv:2411.15351},
year = {2025}
}
备注
11 pages, 8 figures