铝的凝固及纳米多晶变形：基于图神经网络势与百万原子模拟

《Computational Materials Science》：Aluminum solidification and nanopolycrystal deformation via a graph neural network potential and million-atom simulations

　　

凝固过程决定金属构件的微观组织，进而决定其力学响应，但形核与缺陷形成的原子尺度细节往往难以通过实验确定。分子动力学（MD）可弥补这一缺口，但前提是原子间模型既准确又计算高效。研究人员开发了针对铝的机器学习势（MLP），并采用顺序精炼工作流在低能结构上进行微调，展示了接近第一性原理的保真度。该模型良好的标度律支持涉及百万原子的纳秒级模拟，从而克服了多晶凝固及后续力学测试中的有限尺寸效应。与经典势及近期MLP（含通用模型）对比表明，层错（stacking fault）能量学与扩散系数的不准确会导致定性与实验不符的凝固晶粒结构及后凝固力学行为。由于框架基于等变图神经网络（equivariant graph neural network），可直扩至多组分体系，为计算力学模拟中专用与通用MLP的未来设计与微调提供指导。

研究背景与动机

金属与合金的凝固控制对增材制造等新兴技术至关重要，形核发生于原子尺度并级联至宏观晶粒组织，直接决定最终产品的延性、弹性与抗拉强度。传统实验缺乏足够时空分辨率，分子动力学（MD）虽可作“计算显微镜”，但其预测能力严重依赖原子间势模型。经典嵌入原子法（EAM）与改进嵌入原子法（MEAM）势虽支持大规模模拟，但向多组分扩展困难、迁移性差，且液固双态兼顾能力弱；早期Behler–Parrinello型MLP精度高却随元素数二次方标度、内存开销大，难以用于百万原子体系。图神经网络势（GNNP）因节点-边消息传递与权重共享，算力随截断邻域而非元素数标度，其中严格局域的Allegro架构更适配多GPU域分解。在此背景下，研究人员开展纯铝专用GNNP开发及百万原子凝固-变形研究。

主要技术方法

研究人员基于chemtrain框架训练Allegro型等变GNN势（GNNP-Al），数据复用ANI-Al主动学习数据集（PBE泛函DFT，6352帧，去7离群），新增90个低能（LE）理想FCC/HCP/BCC近完美晶采样用ANI-Al打标，构成ANI-Al+。采用三阶段顺序精炼：先ANI-Al预训练得non-refined版，再仅LE精调低能精度，末以加权损失（w_LE=10⁴）在ANI-Al+上联合训练得最终GNNP-Al；同法训S/M/L/XL四档。参照系含ANI-Al、UMA-S（选OMat/PBE域）、Lee-MEAM、Winey/Mishin/Mendelev三套EAM。性能评测在单卡A100上用ASE测标度；物性评测含能-力MAE/RMSE、E-V曲线、层错能（SFE）γ(d)沿〈112〉切移、弹性张量C_ij与晶格常数随T变化、液态RDF g(r)、扩散系数D(T)、固液共存法测T_m；百万原子（1,000,188）以10¹² K/s淬火凝固，OVITO做PTM晶粒分割，同构做拉伸（应变率10¹⁰ s^-1）取杨氏模量、屈服与极限强度。

研究结果

3.1 能量与力：所有MLP能量MAE/RMSE低于化学精度阈值（43 meV/atom），GNNP-Al(non-refined)能误2.197 meV/atom、力误34.987 meV/?，精炼后能误升至6.319 meV/atom、力误70.389 meV/?，仍远优EAM/MEAM（Mendelev EAM能误达1889 meV/atom）。经典势在髙能液相样本严重低估力与能。

3.2 计算标度：UMA慢一量级，ANI-Al因三体角对称函数与7 ?截断呈平方标度且数千原子即OOM；GNNP-Al线性标度，L/XL仅最大体系OOM，唯一可行于百万原子凝固。

3.3 固态性质：GNNP-Al与ANI-Al的FCC/HCP/BCC能-体曲线贴合DFT；non-refined版低估HCP、压低BCC，致凝固HCP偏多。SFE曲线γ(d)在d=1/3稳定层错γ_sf、首峰不稳定层错γ_us、次峰不稳定孪晶γ_ut均近DFT；non-refined与UMA-S低估γ_us，促位错形核早屈服。弹性常数C₁₁/C₁₂/C₄₄随T变化GNNP-Al近MEAM、优于Mishin/Mendelev EAM（过估刚度）；晶格常数全模型因PBE偏高实验~1%。

3.4 液态性质：RDF g(r)在1123–1273 K GNNP-Al/ANI-Al贴实验，经典势峰过强（Mishin/Winey）或远场劣（Lee-MEAM）；扩散系数D(T)经典势低估15–50%，Mishin EAM过低致淬火无形核成非晶。

3.5 固液共存：T_m实验933 K，GNNP-Al 877.2 K（non-refined 818.4 K），偏差<10%；Lee-MEAM 914.2 K、Mendelev-EAM 906.2 K最近实验，Mishin-EAM过估至1018.5 K。

3.6 凝固：百万原子淬火GNNP-Al与Lee-MEAM现五重孪晶与孪界，EAM仅孪界无五重孪（缺角向项）；non-refined因低γ_us与HCP能偏低致HCP分数与晶数偏高；Mishin-EAM零形核成玻璃；Lee/Winey EAM低D迟滞形核。早期形核时刻由形核率定，后期晶合并具随机性。

3.7 变形：同初始构下GNNP-Al应力-应变曲线屈服与Mendelev EAM（过估C_ij→高屈服）分明；Winey EAM低C₄₄与γ_ut早屈服；Mishin非晶各向异性低。换用GNNP-Al-XL淬火构再拉，证实势本身与初始微结构共同作用于力学响应。提温/提淬火率降强度，提应变率因来不及激活机制而硬化。

讨论与结论翻译

研究人员提出GNNP-Al（Allegro等变GNN的纯铝MLP），相较经典势保真度更高，内存低于ANI-Al、算力较UMA-S低一个量级，可支撑宽温区与大时空凝固-变形模拟。通过系统比对揭示：液相扩散低估15–50%显著改形核率；non-refined版层错能低估>50%致相分数与晶数偏离，UMA-S有同类偏差；T_m误差各模型均<10%故影响较弱；γ_ut过估抬升屈服，理想晶弹性误差传递至纳米多晶杨氏模。由此提炼顺序精炼法——先主动学习高温集预训练、再低能态精调——可纠MLP固态偏差，且适推广至通用基础模型微调；未来精调可加层错样本或借DiffTRe等顶向下匹配RDF/D实验。因GNNP不随元素数二次方标度，该框架可直推多组分合金凝固模拟。论文发表于《Computational Materials Science》。