基于化学与晶体学领域知识的数据高效学习Fe-Mo复合型金属间化物

多组分系统的原子尺度模拟需要准确描述原子间相互作用，以解析竞争相能量的细节。其中，具有挑战性的是具有拓扑紧密堆积 (TCP) 相的系统，这些系统在二元系统中（如Fe-Mo）即便在能量竞争激烈的情况下仍能实现。本文提出了机器学习 (ML) 模型，通过利用化学与晶体学领域知识来克服这一挑战。所需的训练数据仅来自简单TCP相（$A$15, $\sigma$, $\chi$, $\mu$, $C$14, $C$15, $C$36）的少量样本，即可对复杂TCP相（$R$, $M$, $P$, $\delta$）具有 11-14 WS 的鲁棒且准确预测。本文训练了多种 ML 模型（包括核型岩石回归、多层感知器和随机森林），仅使用来自Fe-Mo简单TCP相的少于300次 DFT 计算。结果表明，随着领域知识的系统性提高，这些 ML 模型的性能不断提升。对 $R$, $M$, $P$ 和 $\delta$ 相的凸面包络预测误差为 20-25 meV/atom，与 DFT 验证结果表现良好。对Fe-Mo R相样品进行了补充的 X 射线衍射实验和 Rietveld 分析。测得的 WS 占据率与本文在相同温度下使用 Bragg Williams 近似的 ML 模型预测结果高度吻合。