基于机器学习势的多组分过渡金属碳化物的可合成性、硬度与堆叠顺序
材料科学
2026-05-29 v1
摘要
多组分过渡金属碳化物适用于极端环境应用，但识别既可合成又硬的配方仍具有挑战性。我们对约 28,000 项密度泛函理论计算进行微调，构建 MACE 机器学习原子势，以预测多组分碳化物的热力学稳定性和弹性性能。经微调的模型在仅使用 20% 训练数据的情况下即可实现约 10 meV/atom 的形成能误差，足以覆盖热力学相关结构。我们筛选超过 1500 种等摩尔配方，涵盖岩盐、六方和 hcp 原型，结合自由能模型与基于弹性性的硬度替代指标。1500{\deg}C 下的可合成性预测与单相和多相碳化物的实验报告良好一致。元素组成的组数决定了稳定性和硬度。短程序的自由能贡献很小，通常仅为几 meV/atom，这表明在高通量筛选中，完美无序的固溶体提供了合理的近似。对于混合 4/5 组和 6 组金属的配方，我们识别出一种新的堆叠有序相，其形成能显著低于无序岩盐或六方结构。DFT 计算证实了这些预测，并表明在多组分碳化物中应可在实验中实现堆叠有序相。该研究为筛选具有目标性能的可合成多组分材料提供了框架，识别了覆盖九组分空间的有前景的碳化物配方，并揭示了一种仅在多组分配方中可实现的新型堆叠有序碳化物类。
引用
@article{arxiv.2605.29482,
title = {Synthesizability, hardness, and stacking order in multicomponent transition metal carbides from machine-learned potentials},
author = {Xin Liu and Anirudh Raju Natarajan},
journal= {arXiv preprint arXiv:2605.29482},
year = {2026}
}