基于广义机器学习势的晶界偏析光谱
材料科学
2025-02-13 v1
摘要
在近第一性原理精度下对晶界处的溶质偏析进行建模是一项艰巨的任务，特别是在需要准确评估溶质-溶质相互作用和偏析过剩振动熵的有限浓度和温度下，而这些计算成本高昂。这里，我们对 16 种元素（包括 Ag、Al、Au、Cr、Cu、Mg、Mo、Ni、Pb、Pd、Pt、Ta、Ti、V、W 和 Zr）应用广义机器学习势，为所有这些能量成分在 240 种二元合金多晶中提供自洽的光谱数据库。Al 基合金的偏析光谱与过去的量子精确模拟进行了验证，并与一些现有的原子探针层析成像实验数据相比显示出改进的预测能力。
引用
@article{arxiv.2502.08017,
title = {Grain Boundary Segregation Spectra from a Generalized Machine-learning Potential},
author = {Nutth Tuchinda and Christopher A. Schuh},
journal= {arXiv preprint arXiv:2502.08017},
year = {2025}
}