加速低能结构构型发现：一种整合第一性原理计算、蒙特卡洛采样与机器学习的计算方法
材料科学
2025-01-27 v2 机器学习
摘要
寻找最小能量构型(MEC)在物理、化学和材料科学等领域至关重要，因为它们代表了系统最稳定的状态。特别是，在候选等离子体面向材料(PFM)的多组元合金中识别此类MEC是关键，因为它决定了合金内原子的最稳定排列，直接影响其相稳定性、结构完整性和热机械性能。然而，由于搜索空间随所考虑原子数量呈指数增长，使用计算成本高昂的第一性原理DFT计算来获得此类MEC通常是一项繁琐的任务。为了摆脱物理保真度与计算效率之间的上述折衷，我们开发了一种新颖的基于物理的数据驱动方法，该方法结合了蒙特卡洛采样、第一性原理DFT计算和机器学习，以加速多组元合金中MEC的发现。更具体地说，我们利用成熟的团簇展开(CE)技术与局部离群因子模型来建立增强CE方法可靠性的策略。在这项工作中，我们针对一种钨基四元高熵合金的特例展示了所提出方法的能力。然而，该方法适用于其他类型的合金，并具有广泛的应用前景。
引用
@article{arxiv.2410.05604,
title = {Accelerating the discovery of low-energy structure configurations: a computational approach that integrates first-principles calculations, Monte Carlo sampling, and Machine Learning},
author = {Md Rajib Khan Musa and Yichen Qian and Jie Peng and David Cereceda},
journal= {arXiv preprint arXiv:2410.05604},
year = {2025}
}
备注
added changes made during revision of manuscript