机器学习原子间潜力的开发及其在分子动力学中的验证
Yuxuan Wan1, Xuan Zhang1, Liang Zhang1,2
1International Joint Laboratory for Light Alloys (MOE), College of Materials Science and Engineering, Chongqing University, Chongqing 400044, China.
Nanomaterials (Basel, Switzerland)
|November 12, 2025
概括
使用机器学习和DFT计算,开发了 (Zr) 的新深潜力模型. 这个模型准确地预测Zr的特性和行为,克服了原子尺度模拟的传统方法的局限性.
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
- 原子规模的模拟
背景情况:
- 分子动力学 (MD) 模拟对于理解 (Zr) 在极端条件下的行为至关重要.
- 传统的经验潜能难以准确地建模复杂的Zr相互作用,限制了模拟的准确性和通用性.
- 限制包括固定的函数形式和参数,阻碍了多体相互作用和非线性变形的描述.
研究的目的:
- 使用第一原则计算和机器学习,为 (Zr) 开发一个准确和可概括的深潜力 (DP) 模型.
- 克服经验潜力的局限性,模拟Zr的原子尺度结构演变和机械反应.
- 为了提高在多样化和复杂的服务条件下对Zr的MD模拟的可靠性.
主要方法:
- 将高通量密度函数理论 (DFT) 计算与机器学习结合起来,创建Zr深潜力 (DP) 模型.
- 通过广泛的分子动力学 (MD) 模拟验证了开发的DP模型.
- 模拟涵盖了关键的物理属性:格子常量,表面能量,粒边界能量,点,弹性常量和拉伸反应.
主要成果:
- 该DP模型与DFT对基本性质的预测具有很高的一致性,例如格子常数和点.
- 精确捕捉了在热刺激下原子迁移,结构演变和相变的过程.
- 在Zr中成功复制了塑性变形,屈服,结构重组和压力诱导的HCP到FCC相位过渡.
结论:
- 开发的的深潜力模型表现出强大的物理忠实性和数值稳定性.
- 与传统的经验潜力相比,它显著提高了MD模拟Zr的准确性和概括能力.
- DP模型为研究Zr在复杂条件下的原子尺度行为提供了可靠的工具,包括大变形和相位过渡.
更多相关视频
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
6.0K
13:58Probing C84-embedded Si Substrate Using Scanning Probe Microscopy and Molecular Dynamics
Published on: September 28, 2016
12.2K
