利用机器学习实现二维材料非平衡行为的量子精度预测

准确预测二维（2D）材料的非平衡力学性能对于理解其变形、热力学性能和失效机制至关重要。在本研究中，我们参数化并评估了两种机器学习（ML）原子间势函数SNAP和Allegro，用于模拟单层MoSe2的非平衡行为。使用基于密度泛函理论（DFT）的数据集，我们系统地比较了它们与基于物理的Tersoff力场的准确性和可迁移性。我们的结果表明，SNAP和Allegro显著优于Tersoff，在保持计算效率的同时实现了接近DFT的精度。Allegro由于其先进的神经网络架构，在准确性和效率方面均超过了SNAP。两种ML势函数都表现出很强的可迁移性，能够准确预测样本外属性，如表面稳定性、反转域形成和断裂韧性。与Tersoff不同，SNAP和Allegro能够可靠地模拟温度依赖的边缘稳定性和相变路径，与DFT基准高度一致。值得注意的是，它们的断裂韧性预测与实验测量结果非常吻合，增强了它们用于二维材料力学失效大规模模拟的适用性。本研究确立了基于ML的力场作为传统势函数的有力替代方案，用于模拟二维材料的非平衡力学性能。