基于主动学习的相发现：在等原子比 NiTi 结构相变中的应用
材料科学
2024-01-12 v1 机器学习
计算物理
摘要
镍钛合金是一种典型的形状记忆合金，广泛应用于各种生物医学和工程器件中，但直接驱动其形状记忆行为的马氏体 B19' -> B2 相变的分子动力学模拟很少见，且依赖于精度有限的经典力场。在这里，我们基于 LDA、PBE、PBEsol 和 SCAN DFT 泛函训练了四个等原子比 NiTi 的机器学习力场。这些模型在 NPT 分子动力学过程中进行即时训练，只要局部能量预测的不确定性超过选定阈值，就会自动执行 DFT 计算和模型更新。这些模型在训练期间达到了 1-2 meV/atom 的精度，并被证明能紧密跟踪 DFT 对 B2 和 B19' 弹性常数及声子频率的预测。令人惊讶的是，在大规模分子动力学模拟中，只有 SCAN 模型预测了可逆的 B19' -> B2 相变，而 LDA、PBE 和 PBEsol 模型预测了向先前未表征的低体积相的可逆转变，我们假设这是一个新的稳定高压相。我们检查了新相的结构，并估计了它在温度-压力相图上的稳定性。这项工作建立了一个用于研究位移性转变的自动主动学习协议，揭示了 DFT 泛函之间只能在大规模模拟中检测到的重要差异，为 NiTi 提供了精确的力场，并发现了一个新相。
引用
@article{arxiv.2401.05568,
title = {Phase discovery with active learning: Application to structural phase transitions in equiatomic NiTi},
author = {Jonathan Vandermause and Anders Johansson and Yucong Miao and Joost J. Vlassak and Boris Kozinsky},
journal= {arXiv preprint arXiv:2401.05568},
year = {2024}
}