用于阐明氢脆机制的快速且高精度的 Fe-H 机器学习原子间势
材料科学
2025-12-30 v1
摘要
理解氢脆（HE）机制对于发展下一代高强度钢至关重要，从而推动了为 Fe-H 二元系统开发高精度机器学习原子间势（MLIPs）。然而，现有 MLIPs 伴随的巨大计算开销限制了它们在实用化大规模模拟中的适用性。在本研究中，我们在原子簇展开高性能实现（PACE）框架内构建了一个新的 MLIP，该框架基于通过并发学习策略生成的综合 HE 相关数据集进行训练。所得势在再现 alpha-Fe 中各种晶格缺陷及其与氢的相互作用（包括螺位错和刃位错）方面，达到了密度泛函理论级别的精度。更重要的是，它准确捕捉了含氢偏析通用晶界的纳米多晶的变形与断裂行为——这些现象在训练数据中并未显式体现。尽管具有高保真度，所开发的势仅需比经验势大数十倍的计算资源，且比先前报道的 MLIPs 快一个数量级以上。通过提供高精度且计算高效的势，以及构建此类模型的可推广方法，本研究显著推进了对广泛金属材料 HE 的原子尺度理解。
引用
@article{arxiv.2512.22934,
title = {Fast and accurate Fe-H machine-learning interatomic potential for elucidating hydrogen embrittlement mechanisms},
author = {Kazuma Ito},
journal= {arXiv preprint arXiv:2512.22934},
year = {2025}
}