机器学习搜索与Na、Ca、Cu、Pd和Ag形成稳定二元Sn合金
材料科学
2025-07-10 v3
摘要
我们报告了在五个M-Sn二元体系（M = Na、Ca、Cu、Pd和Ag）中大规模筛选可新合成材料的结果。关注这些体系的动机在于已知的M-Sn性质丰富性，其在储能、电子封装与超导方面的潜在应用。为系统探索巨大的构型空间，我们依托于近期开发的MAISE-NET框架，该框架构建精确的神经网络原子间势并利用其加速第一性原理全局结构搜索。以典型第一性原理计算成本的一小部分扫描逾两百万候选相，揭示了29种可能在不同温度与压力（1 bar与20 GPa）下热力学稳定的金属间化合物。常压材料的显著预测包括简单hP6-NaSn相、基于fcc的富Pd合金、具有新原型的tI36-PdSn，以及Na-Sn、Cu-Sn和Ag-Sn体系中的若干高温富Sn基态。我们的建模工作还涉及对先前观测到的M-Sn化合物的第一性原理（重新）检验，有助于解释已知Cu-Sn相的熵驱动稳定化。该研究展示了以机器学习势引导结构搜索的优势，并显著扩展了迄今以此策略预测的热力学稳定晶态金属间化合物的数量。
引用
@article{arxiv.2306.10223,
title = {Machine learning search for stable binary Sn alloys with Na, Ca, Cu, Pd, and Ag},
author = {Aidan Thorn and Daviti Gochitashvili and Saba Kharabadze and Aleksey N. Kolmogorov},
journal= {arXiv preprint arXiv:2306.10223},
year = {2025}
}