基于深度势能分子动力学的Fe-Cr-Ni合金神经网络势函数构建及其单轴拉伸模拟研究

【编辑推荐】为解决传统势函数在Fe-Cr-Ni合金模拟中精度不足的问题，研究人员基于DeePMD框架开发了高精度机器学习势函数（DP），通过整合纯金属/二元/三元合金的DFT数据库，实现了能量（误差3.27 meV/atom）和力（误差72.4 meV/?）的精准预测。该模型在Fe33.3 Cr33.3 Ni33.3 合金的屈服强度模拟中实验偏差≤5%，弹性模量计算误差<1%，为核材料与高温腐蚀应用提供了高效可靠的原子尺度模拟工具。

　　

Fe-Cr-Ni合金作为工业领域的关键材料，因其优异的耐腐蚀性和高温性能，被广泛应用于核反应堆构件和高温腐蚀环境。然而，传统分子动力学模拟中使用的经验势函数（如EAM、MEAM）难以兼顾精度与效率：基于物理原理的嵌入原子模型（Embedded Atom Model, EAM）虽计算高效，但对复杂合金体系的描述能力有限；而第一性原理计算（Density Functional Theory, DFT）虽精度高，却因计算资源消耗巨大无法用于大规模模拟。这一矛盾严重制约了材料微观机理研究与性能优化。

为解决这一难题，中国的研究团队基于深度势能分子动力学（Deep Potential Molecular Dynamics, DeePMD）框架，构建了Fe-Cr-Ni合金的神经网络势函数。通过整合纯金属（Fe、Cr、Ni）、二元及三元合金体系的DFT数据库，利用深度神经网络编码原子局域环境特征，实现了对多体势能的精准预测。研究显示，该模型能量预测均方根误差仅3.27 meV/atom，力预测误差72.4 meV/?，与DFT结果高度一致。在Fe₆₀
Cr₂₅
Ni₁₅
合金的弹性模量模拟中，结果（101.32 GPa）与DFT计算值（102.22 GPa）偏差不足1%，验证了其原子尺度描述的可靠性。相关成果发表于《Materials Today Communications》，为复杂合金设计提供了新范式。

关键技术方法包括：1）基于VASP软件进行第一性原理计算生成训练数据集；2）采用DeePMD框架训练深度神经网络势函数；3）通过能量-体积曲线、径向分布函数（Radial Distribution Function, RDF）和力学参数计算验证模型可靠性；4）开展大规模单轴拉伸模拟预测合金力学性能。

研究结果
Ab initio simulation and training dataset
通过第一性原理分子动力学（AIMD）模拟生成包含8种晶体结构的训练数据集，采用PAW赝势和PBE泛函处理电子相互作用，确保数据库覆盖多元合金的复杂构型空间。

Results of model training
对比两种训练数据集（常规采样与加热过程采样）发现，后者训练的模型精度更高，能量误差降低21%，证实动态构型采样对提升复杂体系预测能力的关键作用。

Conclusions
该DP模型成功实现了DFT级精度与分子动力学效率的统一：在Fe_33.3
Cr_33.3
Ni_33.3
合金的屈服强度预测中，实验偏差≤5%；弹性模量计算误差<1%。研究不仅为核材料设计提供理论工具，更拓展了机器学习势在多主元合金（Multi-principal Element Alloys, MPEA）中的应用边界。

讨论与意义
该研究通过机器学习势函数架起了量子计算与宏观性能的桥梁。作者Lin Ren等指出，模型对局域原子环境的精确编码使其能捕捉晶格畸变、短程有序等关键特征，这是传统EAM势难以实现的。未来可进一步拓展至辐照损伤、相变动力学等极端条件模拟，为材料基因工程提供高通量计算基础。