用于预测铼氮热性质的机器学习原子势
材料科学
2025-12-01 v2
摘要
我们提出了一种结合计算和实验方法的研究方案，聚焦于铼氮 (UN) 的热性质，特别是开发基于矩张量势 (MTP) 框架的机器学习原子势 (MLIP)。该 MLIP 基于密度泛函理论 (DFT) 数据训练，经 various 量（包括能量、力、弹性常数、声子色散和缺陷形成能）验证，与 DFT 计算、先前实验结果和我们的热导率测量结果一致良好。随后将该势用于分子动力学 (MD) 模拟，预测关键热性质（熔点、热膨胀、比热和热导率）。为进一步评估模型准确性，我们制备了 UN 样品并进行了代表单晶热导率的新测量，结果显示与 MLIP 预测结果高度一致。该工作确认了所开发势的可靠性和预测 UN 热性质的能力。
引用
@article{arxiv.2507.18786,
title = {Machine learning interatomic potential for predicting the thermal properties of uranium nitride},
author = {Beihan Chen and Zilong Hua and Jennifer K. Watkins and Linu Malakkal and Marat Khafizov and David H. Hurley and Miaomiao Jin},
journal= {arXiv preprint arXiv:2507.18786},
year = {2025}
}