转移学习用于准确描述Al-Cu融中的原子运输

科学领域:

• 计算材料科学科学 计算材料科学
• 凝聚物质物理学 凝聚物质物理学
• 化学物理 化学物理

背景情况:

• 机器学习原子间潜力 (MLIP) 为材料模拟提供了准确性和效率的平衡.
• 对于金属合金的标准MLIP通常使用密度函数理论与通用梯度近似 (GGA),这对于某些特性可能是不够的.
• 对像Al-Cu这样的合金的传输特性和相位图的准确预测需要优化的交换相关函数.

研究的目的:

• 调查不同交换相关函数对Al-Cu合金MLIP精度的影响.
• 开发改进的MLIP,能够准确预测热力学和运输特性,特别是粘度和化温度.
• 探索转移学习对于减少MLIP开发中的数据需求的实用性.

主要方法:

• 开发用于Al-Cu合金的MLIP,使用各种交换相关函数,包括meta-GGA.
• 应用转移学习策略,大大减少必要的培训数据的数量.
• 验证MLIP与实验或高准确度计算数据对热力学和运输性能进行验证.

主要成果:

• 基于标准的Perdew-Burke-Ernzerhof (PBE) 的MLIP显示Cu-丰富的Al-Cu合金中粘度和点的不准确性.
• 基于r2SCAN和PBEsol函数的MLIP显示了热力学和传输性能的显著提高.
• 基于r2SCAN的深MLIP准确地复制了Al-Cu合金中的动态粘度的度依赖.

结论:

• 优化交换相关函数对于开发金属合金准确的MLIP至关重要.
• r2SCAN和PBEsol函数代表了用于Al-Cu合金模拟的标准GGA函数的有希望的替代方案.
• 先进的MLIP对于在计算材料科学中实现量子化学精度至关重要.