基于机器学习势能和蒙特卡洛抽样的缺陷高熵合金的基态结构搜索
材料科学
2026-03-11 v1
摘要
解析含有内嵌种类的缺陷高熵合金（HEA）的原子尺度结构，由于配置空间庞大且现有方法受限，仍是一个主要计算挑战。本文引入 PAIPAI（Package for Alloy Interstitial Predictions using Artificial Intelligence），即一种结合机器学习原子势（MLIP）的蒙特卡洛框架，用于在含有缺陷和内嵌物的 HEAs 中搜索基态原子配置。PAIPAI 采用双工作进程体系结构——快速工作进程用于快速的配置筛选，慢速工作进程用于高精度细化——通过共享等待池进行协调，实现有效的并行抽样。我们通过三个案例研究演示了 PAIPAI：（i）Ti-V-Cr-Re 薄片中的表面分离；（ii）BCC Nb-Ti-Ta-Hf bulk 中的内嵌氧和硼聚集；（iii）Nb-Ti-Ta-Hf 中的晶界处的金属与内嵌物耦合分离。在所有情况下，蒙特卡洛优化后的结构能量显著低于任何随机抽样得到的配置，MLIP 能量排序经密度泛函理论计算验证。PAIPAI 提供了一个通用且高效的框架，用于预测复杂、缺陷 HEAs 系统中的原子有序、分离和内嵌行为。
引用
@article{arxiv.2603.08855,
title = {Ground-State Structure Search of Defective High-Entropy Alloys Using Machine-Learning Potentials and Monte Carlo Sampling},
author = {Siya Zhu and Raymundo Arroyave},
journal= {arXiv preprint arXiv:2603.08855},
year = {2026}
}
备注
13 Pages, 6 Figures