铜锌铝金属玻璃的机器学习势能高效训练
系统与控制
2025-01-13 v2 系统与控制
摘要
原子势能是揭示微观结构-性质关系的关键，对于多尺度模拟和高通量实验至关重要。对于金属玻璃，其无序原子结构使得势能的开发尤其具有挑战性，导致该重要材料类的化学专用参数稀缺。我们通过引入一种高效的方法来设计机器学习原子势能（MLIP），以CuZrAl系统为基准。我们采用 Lennard-Jones 代理模型、交换蒙特卡洞抽样和单点密度泛函理论（DFT）校正，捕获超14个数量级的超冷状态下的无晶体结构。这些代表性配置与实验时间尺度相匹配，使我们能够在跨越多样化状态的稳健模型训练中最小化对大量DFT数据集的需求。 resulting MLIP与实验数据和经典嵌入原子法（EAM）在结构、动力学、能量和机械性能方面的预测一致。这一方法为开发复杂金属玻璃，包括新兴的多组分和高熵体系，提供了可扩展的准确路径。
引用
@article{arxiv.2501.00588,
title = {Privacy-Preserving Distributed Defense Framework for DC Microgrids Against Exponentially Unbounded False Data Injection Attacks},
author = {Yi Zhang and Mohamadamin Rajabinezhad and Yichao Wang and Junbo Zhao and Shan Zuo},
journal= {arXiv preprint arXiv:2501.00588},
year = {2025}
}