基于机器学习与晶体轨道哈密顿布居的金属玻璃化学键合
材料科学
2020-11-18 v3 化学物理
计算物理
摘要
金属玻璃(MGs)的化学(成分与键合信息)对于理解其性能及制备/加工特性至少与结构拓扑同等重要。本文报道一种基于机器学习(ML)的方法,该方法对典型合金体系金属玻璃中的化学键强度给出了前所未有的“全景”视图。电子结构与化学键合之间的联系由晶体轨道哈密顿布居(COHP)分析给出,该分析在密度泛函理论(DFT)框架内进行。所述综合概览得以实现得益于以下组合:COHP 分析提供的键强度高效定量估计;通过经典分子动力学模拟获得的关于原子构型结构的代表性统计;以及原子位置平滑重叠(SOAP)描述符。该研究补充了该 ML 模型在力学加载范围内的应用;其中所得化学键强度概览揭示了化学/结构异质性,这与在原子局域环境中验证的键交换倾向一致。令人鼓舞的结果为适用于众多其他原子分类(从化学键视角)起关键作用的情境的替代方法铺平了道路。
引用
@article{arxiv.2003.02722,
title = {Chemical Bonding in Metallic Glasses from Machine Learning and Crystal Orbital Hamilton Population},
author = {Ary R. Ferreira},
journal= {arXiv preprint arXiv:2003.02722},
year = {2020}
}
备注
This update contains a number of enhancements. The manuscript has been updated after an anonymous review process by a journal whose policies discourage posting material from this process online. Few changes have been done in Sections I, II and III-A; however, Section III-B and IV have undergone significant changes