基于图神经网络势函数的铝 solidification 与纳米多晶体变形
计算物理
2026-03-26 v1 材料科学
摘要
固结决定了金属组件的显微结构及其因此产生的机械响应，但原子尺度的核化和缺陷形成往往难以实验确定。分子动力学可以填补这一鸿沟，但只有当其间相模型既准确又高效时才能实现。本文开发了一种用于铝的机器学习势 (MLP)，并展示其在使用顺序精炼工作流程训练后在低能量结构上进行微调，可达到接近 ab initio 的保真度。该模型的良好扩展性使我们能够进行数百万原子的纳秒级模拟，从而克服了多晶体固结及随后机械测试中有限尺寸效应的问题。与经典势函数和最近的 MLP 模型（包括通用模型）的比较显示，堆积错位能和扩散不准确会导致固结晶粒结构和固结后机械行为在质量上出现根本性错误。由于我们的框架基于等变图神经网络，因此可以轻松扩展到多组分系统，为未来设计和微调面向计算力学仿真的专用和通用 MLP 提供了宝贵的指导。
引用
@article{arxiv.2603.24360,
title = {Aluminum solidification and nanopolycrystal deformation via a Graph Neural Network Potential and Million-Atom Simulations},
author = {Ian Störmer and Julija Zavadlav},
journal= {arXiv preprint arXiv:2603.24360},
year = {2026}
}
备注
19 pages, 11 Figures