基于机器学习力场的有限温度铁电相相变
材料科学
2025-10-30 v1
摘要
从第一性原理模拟有限温度相变计算上具有挑战性。最近，基于机器学习力场（MLFFs）的分子动力学（MD）模拟为有限温度计算提供了一种接近第一性原理精度的新途径。本文使用基于 on-the-fly 训练的 MLFFs 来调查四个最为人熟知的铁电氧化物：BaTiO、PbTiO、LiNbO 和 BiFeO。仅使用 0 K 基态结构作为训练输入，所得 MLFFs 能够定性预测所有主要的结构相和相变，而定量结果则取决于交换关联函数的选择，PBEsol 相对于 LDA 和 rSCAN 更为稳健。MD 模拟也再现了 BaTiO 中 Ti 位移的序杂化特征，BiFeO 和 PbTiO 的突变第一阶相变，以及 LiNbO 中铁电相变的混合序杂化和位移特征。最后，我们讨论了使用 MLFFs 模拟铁电相变的潜力与局限性。
引用
@article{arxiv.2510.25439,
title = {Finite-Temperature Ferroelectric Phase Transitions from Machine-Learned Force Fields},
author = {Kristoffer Eggestad and Ida C. Skogvoll and Øystein Gullbrekken and Benjamin A. D. Williamson and Sverre M. Selbach},
journal= {arXiv preprint arXiv:2510.25439},
year = {2025}
}