通过机器学习加速的可扩展蒙特卡模拟揭示高熵合金中的纳米结构
材料科学
2025-08-13 v3 无序系统与神经网络
计算物理
摘要
传统第一性原理方法的计算成本随原子数的增加而迅速变得不可接受。这种挑战因需要对蒙特卡(MC)模拟评估有限温度性质而进一步恶化，由于序列马尔可夫链更新，MC模拟本质上难以并行化。本文我们引入可扩展蒙特卡(SMC)方法，克服了传统MC模拟中的并行化瓶颈，将MC一次扫掷的计算复杂度从二次降低到线性。我们实现了SMC的GPU版本(SMC-GPU)，同时利用GPU上数千个处理内核加速计算。通过采用数据驱动工作流程，将计算昂贵的密度泛函理论(DFT)用ML模型替代，我们证明SMC-GPU能够模拟超过10亿个原子的系统，同时保持第一性原理方法的准确性。利用这一前所未有的能力，我们对两个重要的高熵合金(HEA)FeCoNiAlTi和MoNbTaW进行了数十亿原子的MC模拟，其中认为是其卓越力学性能的纳米结构所致。我们的结果揭示了丰富多样的纳米结构，包括纳米粒子(NP)、3D连通NP和无序保护纳米相。我们定量分析了纳米结构的尺寸、组成和形貌，以及直接模拟原子探针断层扫描(APT)针尖。结果与已有的实验观察良好一致。这一工作凸显了利用大规模MC模拟来探索HEA中纳米结构演化的广阔未知领域的巨大潜力。
引用
@article{arxiv.2503.12591,
title = {Revealing Nanostructures in High-Entropy Alloys via Machine-Learning Accelerated Scalable Monte Carlo Simulation},
author = {Xianglin Liu and Kai Yang and Yongxiang Liu and Fanli Zhou and Dengdong Fan and Zongrui Pei and Pengxiang Xu and Yonghong Tian},
journal= {arXiv preprint arXiv:2503.12591},
year = {2025}
}