均值第一次到达时间景观的深度学习：化学短程序与扩散松弛动力学
材料科学
2025-12-15 v2 计算物理
摘要
与原子振动相比速度较慢的过程在原子尺度模拟中提出重大挑战，尤其是对于扩散松弛和相变等现象，由于反复跨越和热激活过渡的规模，使得直接数值模拟不可能。我们提出了一种计算框架，通过学习均值第一次到达时间（Mean First Passage Time, MFPT）来捕捉原子尺度的扩散松弛，覆盖更长的 timescales。该模型基于马尔可夫假设，通过自洽的递归公式进行训练，仅依赖于局部驻留时间和相邻状态之间的转移概率。此外，我们利用深度强化学习（DRL）加速的原子模拟来加速寻找热力学平衡和生成准确物理转移概率的过程。应用于铬钴镍（CrCoNi）中由空位介导的化学短程序（SRO）演化，我们的方法在定量上与实验测量结果一致，揭示了无序到有序相变的 timescales。通过搭建模拟与实验之间的鸿沟，我们的方法将原子尺度建模扩展到此前无法到达的 timescales，并为导航过程-结构-性能关系提供了预测工具。
引用
@article{arxiv.2411.17839,
title = {Deep Learning of Mean First Passage Time Scape: Chemical Short-Range Order and Kinetics of Diffusive Relaxation},
author = {Hoje Chun and Hao Tang and Bin Xing and Rafael Gomez-Bombarelli and Ju Li},
journal= {arXiv preprint arXiv:2411.17839},
year = {2025}
}