基于深度学习势的稀土高熵烧绿石热物理与力学性能预测
材料科学
2025-07-24 v1 计算物理
摘要
高熵烧绿石氧化物具有超低热导率和优异的高温相稳定性，使其成为下一代热障涂层（TBC）材料的有前景的候选者。然而，针对此类复杂无序体系的可靠预测模型仍然具有挑战性。第一性原理方法虽然能准确描述非谐声子-声子相互作用，但难以捕捉高熵体系中强烈的固有声子-无序散射。此外，有限的模拟晶胞尺寸（数百个原子）无法完全代表高熵相的构型复杂性。另一方面，经典分子动力学（MD）模拟缺乏准确且可迁移的原子间势，尤其是在高熵陶瓷等多组分体系中。在本工作中，我们采用深度势分子动力学（DPMD）来预测稀土高熵烧绿石氧化物体系的热物理和力学性能。深度势（DP）模型基于第一性原理分子动力学（AIMD）计算的有限数据集进行训练，能够实现具有实时势评估的大规模分子动力学模拟。该模型不仅在复现第一性原理结果方面达到了高精度，而且表现出强大的泛化能力，使其适用于包含相同组成元素的中熵陶瓷。我们的研究成功地为稀土烧绿石体系开发了一个深度势模型，并证明了基于深度学习的势方法为设计高熵TBC材料提供了一种强大的计算方法。
引用
@article{arxiv.2507.17032,
title = {Thermophysical and Mechanical Properties Prediction of Rear-earth High-entropy Pyrochlore Based on Deep-learning Potential},
author = {Yuxuan Wang and Guoqiang Lan and Huicong Chen and Jun Song},
journal= {arXiv preprint arXiv:2507.17032},
year = {2025}
}
备注
19 pages, 6 figures, 1 table