基于Ab Initio机器学习模拟的钨晶界自愈早期阶段研究
材料科学
2025-09-09 v2 计算物理
摘要
纳米结构钨因其高密度晶界（GB）而被报道具有自愈辐射引起缺陷的潜在能力，这一性质归因于其丰富的晶界密度。本文研究了钨界面自愈的初始阶段，使用由机器学习原子势能驱动的分子动力学模拟。我们的模型准确再现了基于密度泛函理论（DFT）计算得到的原子势能面，并在预测缺陷能量方面优于先前报告的经验和机器学习原子势能。模拟结果显示，在较低温度下，缺陷通过快速的笛巴尔-like排序迁移至晶界，并随后沿着晶界沟槽进行适应。与经验势能不同，后者在缺陷迁移后在高温下预测出意外的晶界退化，而我们的方法在所调查的温度范围内保持稳定的晶界构型。利用拟合Arrhenius式的温度依赖缺陷计数，我们得到的平均空位迁移能为0.048 eV，与实验结果一致。这一工作凸显了Ab Initio机器学习模拟在准确建模缺陷-晶界相互作用方面的潜力，并为开发抗辐射材料提供了可能性。
关键词
引用
@article{arxiv.2505.13744,
title = {Early Stages of Self-Healing at Tungsten Grain Boundaries from Ab Initio Machine Learning Simulations},
author = {Jorge Suárez-Recio and Pablo M. Piaggi and Francisco J. Domínguez-Gutiérrez and Raquel Gonzalez-Arrabal and Roberto Iglesias},
journal= {arXiv preprint arXiv:2505.13744},
year = {2025}
}