Precisión y limitaciones de los potenciales interatómicos aprendidos por máquinas para sistemas magnéticos: un...

Área de la Ciencia:

• Ciencia de Materiales Computacional
• Física de la Materia Condensada
• Informática de Materiales

Sus antecedentes:

• Los potenciales interatómicos aprendidos por máquinas (MLIP) son cada vez más vitales para las simulaciones atomísticas.
• La aplicación de MLIP a materiales magnéticos es un desafío debido a la necesidad de tener en cuenta las fluctuaciones de espín.
• El sistema Fe-Cr-C es tecnológicamente significativo, lo que lo convierte en un caso de prueba clave para las simulaciones de aleaciones magnéticas.

Objetivo del estudio:

• Investigar el impacto de los datos de entrenamiento (no magnéticos vs. polarizados por espín) en la precisión de los MLIP para aleaciones magnéticas.
• Desarrollar estrategias eficientes para la construcción de MLIP para materiales magnéticos, incluido el aprendizaje de transferencia.
• Evaluar el rendimiento de los MLIP especializados frente a los modelos fundacionales de última generación.

Principales métodos:

• Se construyeron dos potenciales de aprendizaje profundo de máquinas (DP-NM, DP-M) utilizando el marco DeePMD, entrenados con datos DFT no magnéticos y polarizados por espín, respectivamente.
• Se empleó una estrategia de aprendizaje de transferencia: preentrenamiento con datos no magnéticos seguido de ajuste fino con datos polarizados por espín.
• Se validaron los MLIP frente a datos experimentales y se compararon con modelos fundacionales (MACE, GRACE, DPA3) para propiedades dinámicas y estáticas.

Principales resultados:

• El potencial entrenado no magnético (DP-NM) reprodujo con precisión las propiedades dinámicas como la viscosidad y los puntos de fusión.
• El potencial entrenado polarizado por espín (DP-M) se destacó en la descripción de propiedades estáticas como la densidad, particularmente para aleaciones ricas en Fe.
• El aprendizaje de transferencia redujo significativamente los costos computacionales para datos polarizados por espín en más de un orden de magnitud.
• Los modelos fundacionales, aunque precisos después del ajuste fino, fueron más lentos para las simulaciones de dinámica molecular.

Conclusiones:

• Los datos de entrenamiento no magnéticos son adecuados para las propiedades dinámicas de los fundidos paramagnéticos.
• El entrenamiento polarizado por espín es esencial para obtener propiedades estáticas precisas de las fases ferromagnéticas.
• Se establecieron principios de diseño claros para los MLIP en aleaciones magnéticas, guiando el desarrollo eficiente y aclarando el papel de los modelos fundacionales y el aprendizaje de transferencia.