通过通用机器学习势能探索高熵陶瓷的机械与热性能
材料科学
2024-09-20 v3
摘要
高熵陶瓷的机械和热性能是其在极端条件下使用的关键因素。然而，高熵陶瓷的广泛组成空间显然阻碍了其开发具有所需机械和热性能的材料。本文以高熵碳化物 (HECs) 为模型，展示了通过基于机器学习势能的分子动力学 (MD) 来探索 HECs 机械和热性能的效率和有效性。具体而言，一个面向 HECs 的通用神经进化势能 (NEP)，适用于来自 IIIB-VIB 族的十个过渡金属元素的 HECs，仅需由包含等量无健全化学组成的仿射单元和二元碳化物小数据集构建。基于建立的 NEP，对 HECs 机械和热性能的 MD 模拟表明，其结果与第一性原理计算和实验测量的结果表现良好，验证了使用所开发的通用 NEP 研究 HECs 机械和热性能方法的准确性、泛化性和可靠性。我们的工作为加快寻找具有理想机械和热性能的高熵陶瓷提供了一条高效途径。
引用
@article{arxiv.2406.08243,
title = {Exploring mechanical and thermal properties of high-entropy ceramics via general machine learning potentials},
author = {Yiwen Liu and Hong Meng and Zijie Zhu and Hulei Yu and Lei Zhuang and Yanhui Chu},
journal= {arXiv preprint arXiv:2406.08243},
year = {2024}
}
备注
37 pages, 6 figures