单层六方氮化硼缺陷的机器学习势
材料科学
2025-12-15 v1 化学物理
摘要
开发机器学习原子间势（MLIP）对于在可与实验室相当的时空尺度上进行可靠的材料模拟至关重要。我们提出了一种适用于单层六方氮化硼（h-BN）含缺陷和晶界结构与动力学温度依赖模拟的MLIP，该势基于Allegro代码中严格局域等变深度神经网络构建。训练数据集包含约30,000张含与不含点缺陷的h-BN图像，通过基于密度泛函理论（DFT）的从头算分子动力学模拟在500、1000和1500K下生成。所开发的MLIP预测势能和力的平均绝对误差（MAE）分别为4 meV/atom和60 meV/Å。它还能复现完整h-BN的声子色散曲线和振动态密度，其结果与基于密度泛函理论的计算相当。对h-BN中4|8晶界单元运动的分子动力学模拟显示第一步具有约2.2 eV的活化能垒，表明晶界不可移动。将晶界单元移过第一步后具有低得多的约0.42 eV活化能垒，表明一旦第一步运动被激发，晶界即可便捷运动。这些模拟得到1500K下的标度迁移率为1.739×10^(−11) m³/Js，考虑到实验设置的固有差异，这与实验值1.36×10^(−9) m³/Js相差不大。能够在合理符合实验的范围内预测晶界迁移率，证明了该MLIP的鲁棒性及其对单层h-BN缺陷结构与动力学可靠模拟的适用性。
引用
@article{arxiv.2512.11206,
title = {Machine learned potential for defected single layer hexagonal boron nitride},
author = {John Janisch and Duy Le and Talat S. Rahman},
journal= {arXiv preprint arXiv:2512.11206},
year = {2025}
}
备注
24 Pages, 11 Figures, 1 Table. Submitted to The Journal of Chemical Physics