深度学习 CuZr 原子间势的优化与验证：面向晶体与非晶相的近 DFT 精度稳健应用
材料科学
2020-04-29 v1
摘要
我们表明，基于密度泛函理论(DFT)计算的深度学习神经网络势(DP)能够很好地描述 Cu-Zr 材料，这是可共存于若干有序金属间化合物与非晶相中的二元合金体系的一个例子。Cu-Zr 的复杂相图使其成为传统原子间力场难以良好描述不同性质与相的挑战性体系。相反，我们表明，使用含约 30 万构型的大型数据库的 DP 方法可给出通常与 DFT 相当的结果。训练集包含原始及块体单质金属与金属间化合物在液相和固相中的构型，以及 slab 和非晶构型。DP 模型通过将晶格常数、弹性常数、体模量、声子谱、表面能等块体性质与相同结构的 DFT 值比较而验证。进一步，我们将 DP 结果与使用成熟的两种嵌入原子法势获得的值对比。总体而言，我们的 DP 势对不同 Cu-Zr 相提供近 DFT 精度，但仅以其计算代价的一小部分，从而能够实现真实原子模型的精确计算，尤其针对非晶相。
引用
@article{arxiv.2002.06763,
title = {Optimization and Validation of a Deep Learning CuZr Atomistic Potential: Robust Applications for Crystalline and Amorphous Phases with near-DFT Accuracy},
author = {Christopher M. Andolina and Philip Williamson and Wissam A. Saidi},
journal= {arXiv preprint arXiv:2002.06763},
year = {2020}
}