基于神经网络原子间势的MgO-CaO共晶系统全相图的从头算构建
计算物理
2022-08-26 v1 无序系统与神经网络
材料科学
摘要
尽管若干研究已证实机器学习势（MLPs）能提供准确的自由能以判定相稳定性，但MLPs高效构建多组分系统完整相图的能力尚待确立。本工作中，我们采用神经网络原子间势（NNPs），展示了温度高达3400 K（包含液相）的MgO-CaO共晶相图的构建。该NNP在若干组分下多种固相与液相的轨迹上训练，这些轨迹由密度泛函理论（DFT）计算所得。对于电子间的交换关联能，我们比较了PBE与SCAN泛函。相边界（如固相线、溶线、液相线）由基于热力学积分或半巨正则系综方法的自由能计算确定，相图中的显著特征（如溶解度极限与共晶点）均被良好复现。特别地，SCAN-NNP生成的相图紧密贴合实验数据，其共晶组分与温度均落在测量值范围内。粗略估计，整个过程比纯DFT方法快1000倍以上。我们相信本工作为相图的完全从头算计算铺平了道路。
引用
@article{arxiv.2208.11863,
title = {$\textit{Ab initio}$ construction of full phase diagram of MgO-CaO eutectic system using neural network interatomic potentials},
author = {Kyeongpung Lee and Yutack Park and Seungwu Han},
journal= {arXiv preprint arXiv:2208.11863},
year = {2022}
}
备注
8 figures