利用理论融入的深度学习解析过渡金属合金的稳定性
材料科学
2025-09-11 v2
摘要
我们引入了一个可解释的深度学习框架，通过将内聚理论嵌入图神经网络（GNNs）来预测过渡金属合金（TMAs）的内聚能。内聚能是热力学稳定性的关键指标，该模型不仅能够准确预测内聚能，还通过将能量贡献分解为具有物理意义的组分，提供了机制层面的见解。这些数据驱动的解释揭示了控制过渡金属的周期性趋势和稳定性原则。我们将该模型应用于单原子合金（SAAs），以评估其针对两种失稳过程的热力学稳定性：团聚（吸附原子团簇化）和偏析（迁移至次表面）。我们的分析表明，这些现象受不同的物理因素控制——团聚主要受局域 d 轨道耦合影响，而偏析则由波函数重整化等非局域效应决定。因此，该模型可作为可解释 AI 工具，用于理解和指导稳定 TMAs 的设计，对催化和材料发现具有重要意义。
引用
@article{arxiv.2506.03031,
title = {Decoding the Stability of Transition-Metal Alloys with Theory-infused Deep Learning},
author = {Yang Huang and Shih-Han Wang and Shuyi Cao and Luke E. K. Achenie and Hongliang Xin},
journal= {arXiv preprint arXiv:2506.03031},
year = {2025}
}