多主元素合金机器学习势能的高效小单元抽样
材料科学
2025-10-21 v1
摘要
多主元素合金(MPEAs)表现出卓越的性能，但在开发准确的机器学习势能(MLPs)时面临巨大的组分和构型复杂性挑战。本文引入了一种高效的小单元抽样(SCS)方法，使我们能够仅使用包含一种和两种元素的最小单元结构生成多样且代表性的训练数据集，从而规避迭代主动学习循环和大规模单元密度泡克斯理论(DTF)计算的计算开销。通过对TiZrHfCuNi系统进行主成分分析、外推性能评估、均方根误差和物理性质评估，严格验证了该方法的有效性。进一步的TiZrVMo、CoCrFeMnNi和AlTiZrNbHfTa系统演示准确再现包括相变、化学有序和热力学性质在内的复杂现象。该工作为跨多元素构建高质量训练数据集的高效 one-shot 协议奠定了坚实基础，为开发面向MPEAs的通用MLPs提供了坚实的基础。
引用
@article{arxiv.2510.16697,
title = {Efficient small-cell sampling for machine-learning potentials of multi-principal element alloys},
author = {Yan Liu and Jiantao Wang and Hongkun Deng and Yan Sun and Xing-Qiu Chen and Peitao Liu},
journal= {arXiv preprint arXiv:2510.16697},
year = {2025}
}
备注
21 pages, 16 figures (including SM)