利用机器学习势能和蒙特卡洛抽样方法对缺陷高熵合金的基态结构进行搜索

《Computational Particle Mechanics》：Ground-state structure search of defective high-entropy alloys using machine-learning potentials and Monte Carlo sampling

　　

Siya Zhu|Raymundo Arróyave

摘要

由于配置空间的庞大以及现有方法的局限，解析含有间隙物种的缺陷高熵合金（HEAs）的原子尺度结构仍然是一个重大的计算挑战。在这里，我们介绍了PAIPAI（一种利用人工智能进行合金间隙预测的软件包），该软件包采用蒙特卡洛框架并结合机器学习原子间势（MLIPs）来搜索含有缺陷和间隙的HEAs的基态原子配置。PAIPAI采用双工作线程架构——快速工作线程负责快速配置筛选，慢速工作线程负责高精度精细化处理——通过共享的等待池进行协调，从而实现高效的并行采样。我们通过三个案例来展示PAIPAI的应用：(i) Ti–V–Cr–Re薄板中的表面偏聚；(ii) 体心立方（BCC）结构的Nb–Ti–Ta–Hf合金中的间隙氧和硼聚集；(iii) Nb–Ti–Ta–Hf合金晶界处的金属与间隙共偏聚。在所有情况下，蒙特卡洛优化的结构能量都显著低于随机采样得到的任何配置，且MLIP能量排序结果经过了密度泛函理论计算的验证。PAIPAI为预测复杂缺陷HEA系统中的原子排列、偏聚及间隙行为提供了一个通用且高效的框架。