基于机器学习的 YBa$_2$Cu$_3$O$_{7-\delta}$ 结构与缺陷性质的原子势能

高温超导体（HTS）如 YBa$_2$Cu$_3$O$_{7-\delta}$（YBCO）是下一代托卡马克聚变堆反应堆中至关重要的材料，稀土元素钋铜氧化物（REBCO）构成 HTS 磁体中的功能层。由于 YBCO 的超导性严重依赖氧分压和缺陷结构，原子分辨模拟可为辐射损伤机制及维持材料性能的路径提供关键性见解。本文开发并基准测试了四种机器学习原子势能（MLPs）用于 YBCO：原子簇扩张（ACE）、信息传递原子簇扩张（MACE）、高斯近似势（GAP）以及 tabulated 高斯近似势（tabGAP），其训练基于专为包含辐射损伤类配置的广泛密度泛函理论（DFT）数据库。所得模型在广泛原子环境下实现了达到 DFT 水平的精度，忠实地捕捉与辐射损伤过程相关的原子间力。经过测试的模型中，MACE 达到了最高的精度，尽管计算成本更大；而 ACE 和 tabGAP 在效率与保真度之间提供了优秀的平衡。这些机器学习势能为复杂超导材料中辐射诱导缺陷演化的大规模分子动力学模拟奠定了稳健的基础。