基于机器学习势的镁中氢气扩散：比较研究
材料科学
2025-04-08 v2 其他凝聚态物理
化学物理
计算物理
摘要
理解和准确预测材料中氢气扩散具有挑战性，因为氢缺陷与晶格之间的相互作用复杂，涉及大尺度和大时间尺度，难以通过标准第一性原理技术解决。本 work 通过采用通过主动学习的加速机器学习(ML)分子动力学模拟来应对这一挑战。我们对不同ML基于的离子势方案进行了比较研究，包括VASP、MACE和CHGNet，利用各种训练策略，如即时学习、预训练通用模型和微调。通过考虑不同的温度和浓度 regime，获得的氢气扩散系数和活化能值与实验结果高度一致，凸显了ML辅助方法在扩散动力学背景下的有效性和准确性。特别是，我们的程序显著减少了传统过渡态计算或非自作的离子势的计算工作量。结果凸显了预训练通用解对缺陷材料的局限性，以及通过微调如何得到改进。具体而言，对在VASP ML力场即时训练期间产生的数据库上进行微调，允许在计算成本的少数情况下检索到DFT水平的准确性。
引用
@article{arxiv.2407.21088,
title = {Hydrogen Diffusion in Magnesium Using Machine Learning Potentials: a comparative study},
author = {Andrea Angeletti and Luca Leoni and Dario Massa and Luca Pasquini and Stefanos Papanikolaou and Cesare Franchini},
journal= {arXiv preprint arXiv:2407.21088},
year = {2025}
}