基于炼金机器学习的高熵合金表面偏析
材料科学
2024-01-12 v2
摘要
高熵合金（HEAs）含有近等摩尔比例的多种金属元素，因其独特的力学性质长期以来备受关注。近来，由于其巨大的设计空间及各组分间的协同效应，它们已成为开发新型多相催化剂的一个有前景的平台。本工作中，我们使用一种可同时模拟多达 25 种过渡金属的机器学习势，来研究不同元素在高熵合金表面偏析的倾向。我们以先前仅使用晶态块体相开发的势为起点，表明得益于该模型物理启发的函数形式，仅需加入少量缺陷构型即可使其描述表面现象。随后我们展示了若干表面偏析的计算研究，包括一个 25 元素合金的模拟（给出了各元素相对表面倾向的粗略估计），以及对 CoCrFeMnNi 和 IrFeCoNiCu 的针对性研究，后者进一步验证了模型，并为多相催化合金的建模与设计提供了指导思路。
引用
@article{arxiv.2310.07604,
title = {Surface segregation in high-entropy alloys from alchemical machine learning},
author = {Arslan Mazitov and Maximilian A. Springer and Nataliya Lopanitsyna and Guillaume Fraux and Sandip De and Michele Ceriotti},
journal= {arXiv preprint arXiv:2310.07604},
year = {2024}
}