最初的机器学习揭示了的非Arrhenius自我扩散中强烈的无和性

科学领域:

• 材料科学 材料科学 材料科学
• 计算材料科学科学 计算材料科学
• 物理化学 物理化学

背景情况:

• 准确预测材料的高温性能需要了解扩散机制.
• 对非Arrhenius扩散行为的实验观测缺乏明确的计算解释.
• 热效应和不协调性是关键的,但在扩散中模拟具有挑战性.

研究的目的:

• 开发一个高效的初始计算框架来计算在扩散中的过渡状态的吉布斯能量.
• 调查热刺激和不和性对空隙介导扩散的影响.
• 解释材料中非Arrhenius扩散行为的物理起源.

主要方法:

• 开发一个初始框架来计算过渡状态的吉布斯能量.
• 在密度功能理论层面上包含热刺激.
• 利用机器学习的原子间潜力来计算温度依赖的能量.
• 适用于体中心立方体 (BCC) 和六角密封 (HCP) 高合金.

主要成果:

• 该框架准确地捕捉了热效应和扩散中的不和性.
• 无和性显著影响温度依赖的空隙形成和迁移,Gibbs能量在BCC.
• 这项研究解释了在中实验观察到的非Arrhenius自我扩散的物理起源.
• 在计算和实验自扩散率 (包括曲率) 之间取得了很好的一致性.

结论:

• 拟议的计算框架为研究扩散提供了一个强大的和广泛适用的方法.
• 这些发现阐明了无调性在非Arrhenius扩散行为中的作用.
• 这项工作为为材料设计创建准确的初始扩散数据库铺平了道路.