Al-Mg-Zr 固溶体弹性性质建模的即时机器学习原子间势
材料科学
2025-08-11 v1 计算物理
摘要
开发高韧性、轻质铝合金对于推进能源高效工程应用的结构材料至关重要。为应对这一挑战，本研究通过将先进的机器学习（ML）技术与量子力学（QM）原子模拟相结合，探索了 Al-Mg-Zr 固溶体的弹性性质。为此，我们采用两种互补方法开发了精确且可迁移的机器学习原子间势（MLIPs）：（i）在从头算分子动力学模拟中结合贝叶斯线性回归的即时学习方案，以及（ii）等变神经网络架构 MACE。这两种 MLIP 都有助于预测成分依赖的弹性性质，同时与传统的 QM 方法相比，大幅降低了计算成本。与超声测量结果的比较表明，在所有研究的 Al-Mg-Zr 体系中，模拟与实验之间的偏差保持在几个 GPa 以内。这些势还使得系统探索 Al-Mg-Zr 固溶体相空间成为可能，并提供了对弹性行为随合金元素浓度变化的见解。因此，我们的发现证明了参数化即时 MLIP 的可靠性和可迁移性，使其对于在复杂成分空间中加速设计具有定制物理力学性能的铝合金具有重要价值。虽然本研究侧重于均匀相，但它为未来包含析出物和晶界等微观结构特征的多尺度模拟奠定了基础。
引用
@article{arxiv.2508.06311,
title = {On-the-Fly Machine Learning of Interatomic Potentials for Elastic Property Modeling in Al-Mg-Zr Solid Solutions},
author = {Lukas Volkmer and Leonardo Medrano Sandonas and Philip Grimm and Julia Kristin Hufenbach and Gianaurelio Cuniberti},
journal= {arXiv preprint arXiv:2508.06311},
year = {2025}
}
备注
17 pages, 6 figures, 1 table