基于第一性原理电荷密度剖面的合金信息学：面心立方晶体中氢效应的案例研究

材料设计传统上通过试错方法演进，主要由于微观结构与强度和韧性等性能之间的非局域关系。我们提出“合金信息学”作为一种基于机器学习的合金与化合物原型预测方法，使用源自第一性原理计算的电子电荷密度剖面。我们在面心立方晶体中氢间隙原子的案例中展示了该框架，表明其差分电子电荷密度剖面能捕捉晶体性质和缺陷-晶体相互作用性质。缺陷诱导的差分电荷密度扰动的径向分布函数（RDFs）突出了由此产生的屏蔽效应，并且与氢 Bader 电荷一起，与形成块体晶体的金属物种的一大组原子性质强相关。我们在对晶体成分进行粗粒化时观察到电荷响应类别的自发涌现。Nudge-Elastic-Band 计算表明 RDFs 和电荷特征也关联到间隙位点间氢迁移能垒。基于 RDFs 的无监督机器学习支持分类，揭示了扰动密度相似性中的成分和构型非局域性。电子电荷密度扰动可被视为多种缺陷的无偏描述符。