通过机器学习原子间势探索氧化铝的能量景观

氧化铝(Al$_2$O$_3$)存在多种结构,具有广泛的应用。虽然$\alpha$-Al$_2$O$_3$的晶体结构已明确,但过渡态氧化铝的结构仍存在很大争议。在本研究中,我们利用神经进化势(NEP)方法训练了一个通用的氧化铝机器学习原子间势(MLIP)。通过迭代训练和最远点采样构建数据集,确保了能够生成最具代表性的构型,从而对势能面进行全面采样。我们通过在不同条件(包括高温高压)下的模拟验证了该势的准确性和通用性。我们给出了一个包含过渡态氧化铝和$\alpha$-Al$_2$O$_3$的相图。我们还成功地将氧化铝的相图外推至极端条件(温度范围[0, 4000] K,压力范围[0, 200] GPa),同时在更温和条件下描述其性质时保持了高精度。此外,结合我们开发的构型搜索流程,NEP对现有的$\gamma$-Al$_2$O$_3$结构模型进行了评估。本工作开发的NEP使得能够在更大尺度和更长时间尺度上对各种氧化铝进行高精度动态模拟,同时也为研究过渡态氧化铝的结构提供了新的见解。