扩大高熵氧化物的搜索空间并使用机器学习原子势预测可合成性
材料科学
2026-03-03 v2 无序系统与神经网络
摘要
我们提出了一种高效计算方法，用于预测高熵氧化物（HEO）的可合成性。HEO 是一个日益增长的领域，化学组成空间巨大，但新 HEO 的发现仍缓慢且依赖于实验试错。在本工作中，我们通过采用提供 DFT 级精度的机器学习原子势，力求加快这一进程。我们的 methodology 从识别一组晶体结构和元素进行筛选开始，对每种组成和结构构建一个大型随机单元胞，然后进行松弛。最有前景的候选方案基于 individual 阳离子能量的方差（我们引入作为熵描述子）以及混合焓（用作焓描述子）来区分。该方法应用于四价 HEO，其有效性通过与替代描述子和针对 7 个元素的 DFT 计算进行比较得到确认。随后将搜索扩展到 14 个元素和三种晶体结构，其中成功识别了已知唯一稳定的 4 组分 HEO 位于 -PbO 结构中，同时预测了若干新的 5 组分候选系统。该方法可以直接应用于新的元素和结构集合，允许加速发现新的 HEO。
引用
@article{arxiv.2508.13389,
title = {Expanding the search space of high entropy oxides and predicting synthesizability using machine learning interatomic potentials},
author = {Oliver A. Dicks and Solveig S. Aamlid and Alannah M. Hallas and Joerg Rottler},
journal= {arXiv preprint arXiv:2508.13389},
year = {2026}
}