机器学习势能中 BaTiO3 长程相互作用对相变、机械效应和电场响应的影响
材料科学
2026-04-01 v1
摘要
bulk 材料受到短程和长程相互作用的共同支配，这两种相互作用通过 Ewald 求和对电静力学贡献在常规密度泛函理论 (DFT) 计算中自然捕获。相比之下，机器学习势能 (MLP) 通常依赖于局部原子环境描述符，长程相互作用常被忽略。这种近似可能引入系统性能量误差，导致预测材料性质不准确。为系统性地研究 MLP 中长程相互作用对铁电 BaTiO3 的影响，我们开发了一个长程 MACELES 模型，并将其性能与先前报告的 BaTiO3 MACE 模型进行比较，涵盖四个关键性质（声子色散、相变行为、机械响应和铁电性质包括介电常数）。我们发现，两种模型都一致地再现了定性行为，包括相变、应力诱导的极化开关以及极化-电场滞回。相比之下，定量性质（如相变温度、弹性常数和介电常数）在 MACELES 模型中呈现出系统性改进，突显了在准确描述 BaTiO3 的结构和介电响应方面，纳入长程电静力学的重要性。这些结果表明，尽管长程相互作用在提高定量精度方面发挥作用，但其缺失并不显著改变 BaTiO3 铁电行为的定性特征。
引用
@article{arxiv.2603.29198,
title = {Long-range interaction effects on the phase transition, mechanical effect, and electric field response of BaTiO3 by machine learning potentials},
author = {Po-Yen Chen and Teruyasu Mizoguchi},
journal= {arXiv preprint arXiv:2603.29198},
year = {2026}
}
备注
11 pages, 5 figures + Supplementary Information (4 pages, 3 figures), submitted to APL Machine Learning