利用机器学习原子间势推导 YBa$_2$Cu$_3$O$_7$ 中扩散驱动的正交到四方相变
材料科学
2025-10-01 v1 超导电性
摘要
高温超导体（如 YBaCuO (YBCO)）中的缺陷 critically 影响其超导行为，因为它们会显著降低甚至抑制超导性。随着人们对铜氧化物在辐射恶劣环境（如聚变反应堆和粒子加速器）中运行的新一代超导磁体的重新关注，对缺陷及其动力学进行精确的原子尺度建模变得至关重要。在此，我们提出了一种用于 YBCO 的通用机器学习原子间势，它基于原子簇展开（ACE）方法并在密度泛函理论（DFT）数据上进行了训练，特别强调了缺陷及其扩散机制。该势针对基态性质、氧 Frenkel 对的缺陷形成能及其形成的扩散势垒的 DFT 计算进行了验证。值得注意的是，该势捕捉到了高温下扩散驱动的正交到四方相变，这是一种难以用经验势描述的转变，阐明了基平面上氧 Frenkel 对的形成如何支配这种有序-无序转变。本文引入的 ACE 势能够对 YBCO 中的缺陷动力学和输运过程进行大规模、预测性原子模拟，为探索其在实际运行条件下的稳定性、性能和功能提供了强大的工具。此外，这项工作证明了机器学习原子间势适用于具有复杂化学的四元氧化物的研究。
引用
@article{arxiv.2509.26095,
title = {The diffusion-driven orthorhombic to tetragonal transition in YBa$_2$Cu$_3$O$_7$ derived with a machine learning interatomic potential},
author = {Davide Gambino and Niccolò Di Eugenio and Jesper Byggmästar and Johan Klarbring and Daniele Torsello and Flyura Djurabekova and Francesco Laviano},
journal= {arXiv preprint arXiv:2509.26095},
year = {2025}
}
备注
30 pages, 6 figures