机器学习势的效率、精度与可迁移性：在铁中位错与裂纹中的应用
材料科学
2023-11-07 v2
摘要
机器学习原子间势（ML-IAPs）使得对大体系的量子精度经典分子动力学模拟成为可能，超越了密度泛函理论（DFT）的适用范围。然而，其效率及预测大于DFT超晶胞系统的能力尚未被充分探索，这对带有缺陷（如位错、裂纹）的大尺度模拟的可迁移性提出了疑问。在此，我们对体心立方铁采用三步验证方法。首先，基于四个最先进的ML软件包优化ML-IAPs，评估其精度与效率，并计算计算速度相对于测试均方根误差（RMSE）的帕累托前沿。其次，评估与塑性和断裂相关的基准性质，发现其相对于DFT的平均相对误差Q与RMSE相关。第三，通过使用逐原子模型不确定性量化，研究ML-IAPs对位错和裂纹的可迁移性。将螺位错、M111位错和三个刃位错的核心结构及派-纳势垒与DFT进行比较，并预测了牵引-分离曲线和临界应力强度因子（K_Ic）。发现预存裂纹面上的解理是纯体心立方铁在I型加载下零温度的原子尺度断裂机制，且与ML软件包和训练数据库无关。位错滑移路径和K_Ic的定量预测可能对数据库、ML软件包、截断半径敏感，并受DFT精度限制。我们的结果凸显了使用超越RMSE的指标验证ML-IAPs的重要性。此外，使用最高效的ML-IAP软件包可显著加速计算，但精度与可迁移性的评估应谨慎进行。
引用
@article{arxiv.2307.10072,
title = {Efficiency, Accuracy, and Transferability of Machine Learning Potentials: Application to Dislocations and Cracks in Iron},
author = {Lei Zhang and Gábor Csányi and Erik van der Giessen and Francesco Maresca},
journal= {arXiv preprint arXiv:2307.10072},
year = {2023}
}
备注
34 pages, 11 figures