1. 项目概述当机器学习势函数遇上Ni-Al合金的微观世界在计算材料学和凝聚态物理的前沿我们这些常年与原子和电子打交道的人一直面临着一个核心矛盾我们渴望获得接近量子力学精度的原子间相互作用描述但第一性原理计算如密度泛函理论DFT那令人望而却步的计算成本又让我们在模拟包含数千、数万原子或长时间尺度的体系时束手无策。传统经验势函数比如嵌入原子法EAM虽然计算飞快但其拟合形式固定描述能力有限尤其在处理远离拟合数据库的复杂缺陷构型、化学反应或极端条件时其可靠性常常大打折扣。这就好比用一把固定的尺子去丈量所有形状对于标准矩形尚可一旦遇到复杂的曲面误差就会大得离谱。近年来机器学习势函数Machine Learning Interatomic Potential, MLIP的崛起为我们提供了一把“可塑形的智能尺子”。它的核心思想并不复杂我们不预设势函数的具体数学形式而是让机器学习模型如神经网络、高斯过程、矩张量等从海量的、高精度的第一性原理计算结果中“学习”能量、力与原子构型之间的复杂映射关系。一旦训练完成这个模型就能以接近DFT的精度却以分子动力学MD般的速度对新的原子构型进行快速评估。这其中的佼佼者之一便是矩张量势Moment Tensor Potential, MTP。MTP通过将原子局域环境用一组旋转不变的矩张量来描述再通过线性组合来拟合势能面兼具了高精度、良好的可解释性以及不错的计算效率。我这次分享的工作正是将这把“智能尺子”——MTP应用到了一个极具工程意义的体系Ni-Al合金特别是其有序相Ni3Al。Ni基高温合金是航空发动机涡轮叶片等关键热端部件的核心材料其优异的高温强度、抗蠕变和抗氧化性能很大程度上源于γ‘相Ni3Al L12结构的强化作用。而这些宏观性能微观上受控于点缺陷空位、反位原子和面缺陷堆垛层错、反相畴界的形成、演化与相互作用。例如蠕变过程中的位错攀移离不开空位的扩散而层错能则直接影响位错分解和交滑移的难易程度进而决定材料的塑性。因此能否准确预测这些缺陷的能量学是评估一个势函数能否用于可靠服役性能模拟的“试金石”。传统上针对Ni-Al体系的EAM势如Mishin势被广泛使用它在预测平衡态性质如晶格常数、弹性常数时表现尚可因为其参数正是对这些性质进行拟合得到的。但当我们把目光投向复杂的空位团簇、不同构型的反位缺陷或者非平衡的剪切路径广义堆垛层错能曲面时EAM势的预测就开始变得不可靠甚至出现定性错误。这正是我们引入MTP的动机我们想要一个不仅对“简单”性质准确更能对“复杂”缺陷保持高预测精度的势函数从而为大规模分子动力学模拟探索合金的微观力学行为提供可信赖的工具。接下来的内容我将详细拆解我们构建和评估这个Ni-Al体系MTP势函数的过程。我会从模型构建的思路、训练策略讲起然后深入到对各类点缺陷和面缺陷预测性能的逐项“压力测试”并与DFT和传统EAM势的结果进行全方位对比。最后我还会分享我们在应用这个势函数研究空位团簇基态构型和扩散动力学时的一些有趣发现和踩过的“坑”。希望这篇长文能为你理解MLIP在材料模拟中的应用特别是如何严谨地评估其性能提供一个详实的案例。2. MTP模型构建与训练策略解析构建一个可靠的机器学习势函数其过程远比调用一个现成的软件包复杂。它更像是一场精心设计的“教学”过程我们需要准备高质量的“教材”训练集设计高效的“教学方法”训练算法并最终严格“考核”学生的学习成果验证与测试。对于Ni-Al体系的MTP我们的核心目标是让它不仅能复现完美晶体的性质更要精通描述各种缺陷。2.1 训练数据集广度与深度的权衡训练集的质量直接决定了MTP的“知识面”和“泛化能力”。我们的策略是主动学习Active Learning结合手动构建确保采样覆盖整个我们关心的构型空间。第一性原理计算基础所有训练和参考的DFT计算均采用VASP软件包完成。交换关联泛函选用PBE平面波截断能设置为520 eVk点网格密度保证总能量收敛至1 meV/atom以内。这些是获得可靠量子力学数据的标准配置为MTP学习提供了坚实的“真理”基准。构型空间采样体相与弹性变形我们包含了Ni (fcc)、Al (fcc) 以及Ni3Al (L12) 的完美晶体。通过对这些晶体施加一系列均匀的拉伸、压缩和剪切应变我们生成了能量-体积曲线和弹性常数计算所需的变形构型。这确保了MTP能准确描述材料的宏观力学响应。点缺陷与振动我们在超胞中系统地引入了单空位、双空位、三空位以及反位缺陷NiAl, AlNi。同时通过分子动力学模拟在从300 K到2000 K的温度范围内对超胞进行采样捕获了原子在平衡位置附近的热振动信息这对于学习原子受力和描述有限温度下的动力学行为至关重要。表面、界面与堆垛层错我们构建了不同晶面的表面模型、Ni/Ni3Al相界面模型以及通过在密排面111上施加不同剪切位移向量生成的广义堆垛层错GSF构型。这部分数据对于学习远离体相的环境描述至关重要是预测表面能、界面能和层错能的基础。液态与非晶态为了提升势函数对高温和极端无序状态的描述能力我们还采样了高温液态和快速淬火得到的非晶态构型。虽然本次研究的重点在缺陷但这些数据有助于提高势函数的整体鲁棒性。最终我们的训练集包含了约15,000个构型每个构型都包含DFT计算得到的精确总能量、每个原子所受的力以及体系的应力张量。验证集则包含约3,000个独立构型用于监控训练过程防止过拟合。注意训练集的构建并非一蹴而就。我们采用了迭代的主动学习流程先用一个较小的初始数据集训练一个“种子”MTP然后用它来运行一些探索性的分子动力学模拟如高温退火、拉伸模拟将模拟轨迹中MTP预测不确定性通过局部描述符的稀疏性等指标衡量较高的新构型挑选出来进行DFT计算并加入训练集。如此循环逐步填充构型空间的“空白区域”。2.2 MTP模型与超参数选择我们采用了基于矩张量Moment Tensor描述的MTP框架。其核心思想是将中心原子i的局域环境用一组旋转不变的矩张量来描述M_{μ,ν} ∑_{j≠i} f_μ(|r_ij|) * (r_ij ⊗ ... ⊗ r_ij)ν个张量积 其中r_ij是原子j相对于i的位置矢量f_μ是一组径向基函数。系统的总势能则表示为这些不变量的线性组合。通过优化组合系数来拟合DFT的能量、力和应力。模型复杂度控制MTP的精度和速度很大程度上由两个关键参数决定“level”和“radial basis size”。Level决定了不变量的最大阶数即描述原子环境的细致程度radial basis size决定了径向函数的数量。我们通过网格搜索在验证集上评估不同参数组合的误差。最终选择了一个在精度和效率间取得良好平衡的配置level16径向基函数数量为8。这个配置足以捕捉Ni-Al体系中复杂的多体相互作用同时保证了后续大规模分子动力学模拟的可行性。训练与优化训练过程即最小化MTP预测与DFT数据之间的损失函数该函数是能量、力和应力误差的加权和。我们使用L-BFGS优化器。一个关键的技巧是损失函数中力与应力权重的设置。由于力的数据量远多于能量每个构型有3N个力分量且力直接决定了动力学模拟的准确性我们给予了力较高的权重。同时应力项的加入对于正确复现弹性性质和各类应变下的响应至关重要。2.3 初步性能验证与DFT的吻合度训练完成后我们首先在训练集和验证集上检查MTP的预测能力。下表展示了能量、力和应力的均方根误差RMSE数据集能量 RMSE (meV/atom)力 RMSE (eV/Å)应力 RMSE (GPa)训练集2.240.0290.11验证集1.640.0280.09结果解读低误差水平验证集的误差与训练集相当甚至略低说明模型没有过拟合泛化能力良好。~1.6 meV/atom的能量误差和~0.03 eV/Å的力误差对于大多数材料模拟应用来说已经达到了“化学精度”级别意味着MTP的势能面与DFT的势能面高度吻合。力预测精度力的RMSE仅为0.028 eV/Å这是一个非常出色的指标。在分子动力学模拟中力是驱动原子运动的核心力的高精度直接保证了动力学轨迹的可靠性这对于研究扩散、相变等过程至关重要。应力预测应力误差在0.1 GPa量级这对于准确计算弹性常数、声子谱以及模拟材料在应力下的响应是足够的。这个初步验证告诉我们我们训练的MTP已经成功“学会”了从训练数据中映射原子构型到能量/力/应力的关系。但这仅仅是第一步好比学生记住了课本上的例题。接下来我们要用它去解答一系列全新的、更复杂的“考题”——预测各种独立的物理性质。3. 基础物理性质预测MTP的“期末考试”一个势函数是否可靠不能只看它对训练数据的复现能力更要看它能否准确预测一系列未参与训练的、独立的物理性质。这就像考核学生是否真正理解了知识而不是死记硬背。我们选取了Ni和Ni3Al的一系列基础性质作为考核项目并将MTP的预测结果与DFT、EAM势以及实验值进行对比。3.1 晶格常数与弹性性质我们首先计算了体相Ni和Ni3Al在0K下的平衡晶格常数、弹性常数C11, C12, C44、以及由此导出的体模量B、剪切模量G、杨氏模量E和泊松比ν。结果汇总于下表表Ni与Ni3Al的弹性性质预测对比 (DFT, MTP, EAM, EXP)性质方法Ni (预测值)Ni3Al (预测值)晶格常数 a (Å)DFT3.5113.562MTP3.5083.563EAM3.5203.533EXP3.5243.567体模量 B (GPa)DFT200.02182.86MTP196.93182.71EAM181.01190.03EXP190±13171 / 221 (文献值分散)关键发现与讨论MTP与DFT高度一致对于晶格常数和所有弹性模量MTP的预测值与DFT计算结果几乎完全吻合。这说明MTP成功地从原子尺度学习了材料的键合特性并能外推到小应变下的力学响应。与实验值的偏差无论是DFT还是MTP预测的晶格常数都略小于实验值约0.3-0.5%。这主要源于两个因素第一实验数据是在室温下测量的而我们的计算是0K下的基态性质热膨胀会导致晶格常数增大第二也是更重要的我们使用的PBE泛函本身会轻微低估过渡金属的晶格常数。此外对于NiPBE泛函未考虑磁性效应Ni在低温下是铁磁性的这也会影响晶格常数和弹性性质。MTP继承了底层DFT方法的这些系统性偏差。EAM势的表现Mishin的EAM势在拟合时特意包含了弹性性质因此它在这一项“考试”中表现也不错与实验值符合良好。这在意料之中因为这是它的“特长”。但这也提醒我们一个势函数在特定拟合目标上表现好不代表其在其他未拟合性质上同样可靠。3.2 能量-体积曲线与声子谱为了测试势函数在有限应变下的行为我们计算了能量随体积变化的曲线E-V曲线。同时为了检验其动力学矩阵的准确性我们计算了Ni和Ni3Al的声子色散关系。能量-体积曲线MTP完美复现了DFT计算出的E-V曲线在整个体积变化范围内的形状包括平衡体积、压缩和膨胀区域。而EAM势在偏离平衡体积较大时与DFT结果出现明显分歧。这说明MTP对键长变化的描述具有更好的可转移性。声子谱声子谱是晶格动力学的直接体现对势函数的二阶乃至更高阶力常数非常敏感。我们的MTP预测的声子支频率和态密度与DFT结果高度吻合再次超越了EAM势。特别是对于Ni3Al中一些特定的光学支MTP的准确性尤为突出。这意味着基于MTP的分子动力学模拟能够产生正确的原子振动行为这对于计算热力学性质如自由能、热膨胀和模拟有限温度下的过程至关重要。实操心得在评估势函数时声子谱是一个极其严厉但有效的测试。很多经验势在静态性质上表现尚可但一到声子谱就“原形毕露”出现虚频动力学不稳定或频率严重偏离。MTP能通过这一关证明了其描述局域力常数的准确性这是进行可靠动力学模拟的基础。4. 点缺陷能量学的精准预测这是本次评估的核心也是MTP相较于传统势函数优势最能体现的地方。点缺陷空位、空位团簇、反位缺陷的形成和迁移是控制材料扩散、蠕变、辐照损伤等过程的关键。我们系统计算了多种点缺陷的形成能、结合能以及空位的迁移势垒。4.1 单空位与空位团簇形成能计算对于单空位形成能E_f^V E_defect(N-1) - (N-1)/N * E_perfect(N)。对于含有n个空位的团簇其形成能E_f(nV) E_defect(N-n) - (N-n)/N * E_perfect(N)。空位团簇的结合能E_b则衡量了空位聚集是放热结合能0吸引还是吸热结合能0排斥过程。关键结果对比部分摘录缺陷类型性质MTP (eV)DFT (eV)EAM (eV)实验/文献 (eV)Ni 单空位形成能E_f1.4251.4251.5721.4 – 1.74迁移能E_m1.0001.0001.195~1.24 – 1.38Ni3Al (Ni空位)形成能E_f1.5881.6431.7731.6±0.2Ni3Al (Al空位)形成能E_f1.7101.7871.5441.6±0.2Ni 最近邻双空位结合能E_b0.0150.0510.164~0.4±0.2深度分析惊人的一致性MTP在预测单空位形成能、迁移能方面与DFT结果几乎完全一致误差在几个meV以内。对于Ni中的单空位MTP给出的1.425 eV与DFT的1.425 eV完全吻合且落在分散的实验值范围内。空位团簇结合能的符号预测这是体现物理描述准确性的关键。在体心Ni中MTP和DFT都预测最近邻1NN双空位有微弱的吸引作用正结合能而次近邻2NN和第三近邻3NN则变为排斥。MTP不仅准确预测了结合能的大小更重要的是准确预测了其符号吸引/排斥。相比之下EAM势预测所有间距的双空位都是吸引的这与DFT结论相悖。Ni3Al中的空位行为MTP预测Ni空位形成能1.588 eV低于Al空位1.710 eV表明在Ni3Al中形成Ni空位更容易。这与DFT趋势一致。而EAM势则给出了相反的趋势Al空位形成能更低这可能源于其拟合数据库的局限性。迁移势垒通过爬坡弹性带CI-NEB方法计算单空位迁移路径MTP复现的势垒曲线与DFT高度吻合而EAM势普遍高估了迁移势垒。值得注意的是EAM预测的Ni空位迁移能1.195 eV反而更接近某些实验值这是因为该EAM势在开发时特意拟合了迁移能垒。这再次说明了传统势函数的“目标依赖性”——拟合了什么什么就准没拟合的就可能出错。4.2 三空位构型搜索与界面空位为了进一步挑战MTP我们进行了更复杂的缺陷能量学计算。三空位构型搜索在3×3×3的超胞中我们枚举了Ni中144种、Ni3Al中280种对称性不等价的三空位构型并计算了它们的形成能。MTP成功捕捉到了DFT计算出的能量排序总体趋势。例如在Ni中能量最低的三空位构型是位于{111}面上的三角形其次是沿111方向的线型最不稳定的是沿001方向的线型。MTP准确预测了这些最稳定和最不稳定的构型。注意事项我们也发现当不同构型之间的形成能差异非常小 0.03 eV时MTP和DFT预测的相对稳定性顺序可能出现微小差异。这反映了当前MTP模型的精度极限。对于能量如此接近的构型区分它们需要模型达到meV/atom量级的超高精度这通常需要更复杂的基组或更大的训练集但会牺牲计算效率。在实际应用中需要根据研究问题的能量尺度来权衡精度需求。界面空位形成能我们计算了Ni/Ni3Al相界面处不同位置空位的形成能。MTP准确复现了DFT预测的相对稳定性顺序界面处的Ni空位Site 1最容易形成。而EAM势则严重高估了所有界面空位的形成能。这表明MTP对于复杂化学环境如界面的描述能力更强。5. 空位团簇的基态构型与扩散行为探索在证明了MTP对静态缺陷能量学的准确性后我们利用其高效性探索了传统DFT难以直接处理的问题较大空位团簇的稳定构型和动力学行为。5.1 空位团簇的基态构型搜索在面心立方fcc金属中空位团簇可能以多种形态存在如空位环Loop、层错四面体Stacking Fault Tetrahedron, SFT和空洞Void。哪种构型最稳定我们使用MTP在包含2048个原子的8×8×8超胞中系统搜索了包含3到24个空位的团簇的基态构型。方法对于空位环和空洞构型我们进行了穷举搜索。对于SFT和其他可能构型我们采用了多次分子动力学退火模拟让体系在高温下探索构型空间再淬火到0K寻找能量最低点。主要发现3空位 (3v)最稳定构型是三角形空位环。4空位 (4v) 和 8空位 (8v)倾向于形成空洞构型。5空位 (5v)形成一个类似6空位空洞的构型但其中心附近有一个自间隙原子SIA这是一个有趣的缺陷复合体。6, 10, 15, 21空位这些是“幻数”尺寸完美SFT构型是最稳定的。SFT是一种由四个层错面围成的四面体空位簇是fcc金属中常见的辐照缺陷。其他尺寸对于非幻数尺寸的空位团簇最稳定的构型是“不完美”的SFT即一个SFT核心外加一个邻近的空位。这项工作清晰地展示了不同尺寸空位团簇在Ni中的偏好构型为理解辐照或塑性变形过程中空位聚集的早期阶段提供了原子尺度的图像。这是单纯依靠DFT或传统EAM势难以系统完成的。5.2 空位团簇的扩散动力学一个意外发现更令人兴奋的是动力学部分。我们想知道不同大小的空位团簇谁的迁移能力更强我们在800 K下对包含相同空位浓度12个空位但以不同团簇形式单空位、双空位、三空位、四空位、六空位存在的体系进行了2 ns的分子动力学模拟并计算了体系的均方位移MSD。出乎意料的结果在考虑的几种团簇中具有SFT结构的六空位团簇6v-SFT扩散最快而单空位在800 K下几乎不移动整个2 ns轨迹中仅观察到一次跳跃。双空位和六空位团簇在模拟过程中保持结构稳定。三空位和四空位团簇则不稳定会分解成更小的团簇。机理探究为什么6v-SFT扩散这么快通过分析轨迹我们发现6v-SFT存在两种中心对称的构型。在模拟中它频繁地在这两种构型之间转换。通过CI-NEB计算这种转换的能垒仅有约0.4 eV低得惊人。在转换过程中SFT核心区域的一个原子会发生快速、长程的“跳跃”式迁移见图12轨迹。这种低能垒的集体重排机制使得6v-SFT能够实现快速的整体扩散。实操心得这个发现具有重要的物理意义。它表明在某些情况下空位聚集形成的特定团簇如SFT可能比单个空位或小团簇具有更高的迁移率。这挑战了“缺陷越大越不移动”的简单直觉对于理解材料中缺陷的长期演化如辐照肿胀、蠕变空洞生长可能有新的启示。这也凸显了大规模分子动力学模拟在发现新现象方面的价值。6. 面缺陷能量学广义堆垛层错能曲面面缺陷特别是堆垛层错是理解位错核心结构和材料塑性变形的关键。广义堆垛层错能GSFE曲面描述了晶体在滑移面上发生相对剪切时能量随位移矢量的变化。6.1 计算方法与结果我们使用“剪切别名”方法在六层厚的超胞中计算了Ni和Ni3Al密排面111上的GSFE曲面。对于DFT我们在位移空间采用了16×26的网格而对于计算廉价的MTP和EAM我们使用了更密的120×120网格来获得平滑的能面。关键层错能对比层错类型体系MTP (mJ/m²)DFT (mJ/m²)EAM (mJ/m²)文献/实验值 (mJ/m²)本征层错 (γ_ISF)Ni115133139120-130复杂层错 (γ_CSF)Ni3Al196210238205-249反相畴界 (γ_APB)Ni3Al235163206175-259超点阵本征层错 (γ_SISF)Ni3Al7355416-80结果分析总体趋势MTP预测的GSFE曲面与DFT计算结果在形状和数值上吻合良好特别是在能量较低的区域即实际位错分解可能经过的路径附近。这比EAM势的预测要准确得多。Ni3Al中的反相畴界APB我们发现Ni3Al中的APB在结构弛豫后其原子位置会略微偏离几何理想位置。因此我们采用弛豫后的能量最低点而非几何理想点来计算APB能。这使得我们计算出的γ_APB值MTP: 235, DFT: 163 mJ/m²低于一些文献中基于未弛豫或不同方法计算的值。这强调了在计算这类缺陷能时进行充分结构弛豫的重要性。位错分解分析根据GSFE曲面上的最小能量路径我们可以推断位错的分解方式。在Ni中一个全位错1/2[1-10]会分解为两个肖克利不全位错1/6[2-1-1]和1/6[1-21]中间夹着一片本征层错ISF。在Ni3Al中一个超位错[1-10]首先分解为两个1/2[1-10]位错加一个APB然后每个1/2[1-10]位错再进一步分解为两个肖克利不全位错中间夹着一个复杂层错CSF。这些预测与文献中基于位错理论的描述一致。6.2 误差来源与模型局限我们也注意到MTP在GSFE曲面的一些高能量区域远离最小能量路径误差有所增大。这主要是因为我们的训练数据主要来自平衡或近平衡的分子动力学采样对这些高能量的非平衡剪切构型采样不足。这是机器学习势函数的一个常见挑战模型在训练数据密集的区域表现极好但在数据稀疏的“外推”区域精度会下降。解决之道在于通过主动学习有针对性地将这些高能量构型加入训练集。7. 熔点预测与外推能力测试作为对MTP外推能力的终极测试我们计算了Ni和Ni3Al的熔点。我们采用了固-液共存法构建了一个包含8000个原子、具有(001)固液界面的超胞通过分子动力学模拟观察两相在不同温度下的共存状态从而确定熔点。结果NiMTP预测的熔点约为1597 K低于实验值1728 K。Ni3AlMTP预测的熔点约为1630 K与实验值1645 K符合得很好。讨论值得注意的是我们的训练集中并没有刻意包含熔体结构。MTP能够相对准确地预测熔点尤其是对Ni3Al这展示了其出色的外推能力。模型从固态的原子构型中学习到的相互作用在一定程度上可以推广到液态这种高度无序的状态。对于Ni熔点的低估可能源于PBE泛函本身对Ni结合能的描述偏差以及磁性效应的缺失这些系统误差被MTP继承了下来。8. 总结与展望MTP的优势、挑战与应用前景通过这一系列系统性的评估我们可以得出以下结论MTP的核心优势高精度与DFT一致性在预测Ni-Al体系从体相性质到复杂点缺陷、面缺陷的能量学方面MTP表现出了与DFT高度一致的能力显著超越了传统EAM势尤其是在描述空位团簇结合能符号、层错能曲面等复杂性质上。高效性与可扩展性一旦训练完成MTP的计算速度比DFT快数个数量级使得包含数千原子、纳秒时间尺度的分子动力学模拟成为可能从而可以研究DFT无法直接触及的尺寸和时间尺度的问题如空位团簇的基态搜索和扩散动力学。良好的外推性即使训练集未包含熔体数据MTP也能对熔点做出合理预测展示了其从有限数据中学习普适物理规律的能力。当前模型的挑战与局限性能量接近构型的区分当不同缺陷构型的形成能差异非常小 30 meV时当前MTP模型的精度可能不足以可靠地区分它们的相对稳定性。要达到meV/atom量级的超高精度需要更复杂的模型但这会牺牲计算效率。训练数据依赖性MTP的精度严重依赖于训练数据的质量和覆盖范围。对于某些涉及Al空位的三空位构型MTP误差较大这很可能是因为训练数据中对包含Al空位的构型空间采样不足。这指明了未来改进的方向。继承DFT的误差MTP无法纠正底层DFT方法如PBE泛函的系统性误差例如对晶格常数的轻微低估、对表面能的描述偏差等。对未来工作的启示主动学习优化训练集未来的工作应更系统地采用主动学习策略自动识别并补充构型空间的“空白”或“高不确定性”区域特别是那些高能量的过渡态、复杂缺陷簇和远离平衡的构型。开发通用势函数本研究为开发一个适用于Ni-Al合金体系的通用机器学习势函数奠定了基础。一个理想的通用势应该能够无缝描述从纯Ni、纯Al到各种成分的Ni-Al合金以及它们的各种相、缺陷和界面。应用于实际工程问题有了这样一个经过严格验证的高精度势函数我们可以信心十足地将其应用于更实际的工程问题模拟例如高温下位错与空位的交互作用、蠕变过程中空洞的形核与长大、辐照损伤的早期演化、合金元素如Re, Ta, W在缺陷处的偏聚行为等。这些模拟将为深入理解镍基高温合金的微观力学行为和性能优化提供前所未有的原子尺度洞察。个人体会从事这项工作让我深刻体会到机器学习势函数并非一个“黑箱”魔法。它的成功极大地依赖于对物理问题的深刻理解、精心设计的训练策略以及严谨系统的验证流程。构建一个可靠的MTP就像培养一个专家你需要用高质量、全面的数据知识去训练它然后用一系列具有挑战性的独立问题考题去考核它只有通过全面考核的模型才能被委以重任去探索那些未知的领域。这条路虽然充满挑战但看到模型能够复现甚至预测出复杂的物理现象时所有的努力都是值得的。
机器学习势函数MTP在Ni-Al合金缺陷模拟中的高精度应用与验证
1. 项目概述当机器学习势函数遇上Ni-Al合金的微观世界在计算材料学和凝聚态物理的前沿我们这些常年与原子和电子打交道的人一直面临着一个核心矛盾我们渴望获得接近量子力学精度的原子间相互作用描述但第一性原理计算如密度泛函理论DFT那令人望而却步的计算成本又让我们在模拟包含数千、数万原子或长时间尺度的体系时束手无策。传统经验势函数比如嵌入原子法EAM虽然计算飞快但其拟合形式固定描述能力有限尤其在处理远离拟合数据库的复杂缺陷构型、化学反应或极端条件时其可靠性常常大打折扣。这就好比用一把固定的尺子去丈量所有形状对于标准矩形尚可一旦遇到复杂的曲面误差就会大得离谱。近年来机器学习势函数Machine Learning Interatomic Potential, MLIP的崛起为我们提供了一把“可塑形的智能尺子”。它的核心思想并不复杂我们不预设势函数的具体数学形式而是让机器学习模型如神经网络、高斯过程、矩张量等从海量的、高精度的第一性原理计算结果中“学习”能量、力与原子构型之间的复杂映射关系。一旦训练完成这个模型就能以接近DFT的精度却以分子动力学MD般的速度对新的原子构型进行快速评估。这其中的佼佼者之一便是矩张量势Moment Tensor Potential, MTP。MTP通过将原子局域环境用一组旋转不变的矩张量来描述再通过线性组合来拟合势能面兼具了高精度、良好的可解释性以及不错的计算效率。我这次分享的工作正是将这把“智能尺子”——MTP应用到了一个极具工程意义的体系Ni-Al合金特别是其有序相Ni3Al。Ni基高温合金是航空发动机涡轮叶片等关键热端部件的核心材料其优异的高温强度、抗蠕变和抗氧化性能很大程度上源于γ‘相Ni3Al L12结构的强化作用。而这些宏观性能微观上受控于点缺陷空位、反位原子和面缺陷堆垛层错、反相畴界的形成、演化与相互作用。例如蠕变过程中的位错攀移离不开空位的扩散而层错能则直接影响位错分解和交滑移的难易程度进而决定材料的塑性。因此能否准确预测这些缺陷的能量学是评估一个势函数能否用于可靠服役性能模拟的“试金石”。传统上针对Ni-Al体系的EAM势如Mishin势被广泛使用它在预测平衡态性质如晶格常数、弹性常数时表现尚可因为其参数正是对这些性质进行拟合得到的。但当我们把目光投向复杂的空位团簇、不同构型的反位缺陷或者非平衡的剪切路径广义堆垛层错能曲面时EAM势的预测就开始变得不可靠甚至出现定性错误。这正是我们引入MTP的动机我们想要一个不仅对“简单”性质准确更能对“复杂”缺陷保持高预测精度的势函数从而为大规模分子动力学模拟探索合金的微观力学行为提供可信赖的工具。接下来的内容我将详细拆解我们构建和评估这个Ni-Al体系MTP势函数的过程。我会从模型构建的思路、训练策略讲起然后深入到对各类点缺陷和面缺陷预测性能的逐项“压力测试”并与DFT和传统EAM势的结果进行全方位对比。最后我还会分享我们在应用这个势函数研究空位团簇基态构型和扩散动力学时的一些有趣发现和踩过的“坑”。希望这篇长文能为你理解MLIP在材料模拟中的应用特别是如何严谨地评估其性能提供一个详实的案例。2. MTP模型构建与训练策略解析构建一个可靠的机器学习势函数其过程远比调用一个现成的软件包复杂。它更像是一场精心设计的“教学”过程我们需要准备高质量的“教材”训练集设计高效的“教学方法”训练算法并最终严格“考核”学生的学习成果验证与测试。对于Ni-Al体系的MTP我们的核心目标是让它不仅能复现完美晶体的性质更要精通描述各种缺陷。2.1 训练数据集广度与深度的权衡训练集的质量直接决定了MTP的“知识面”和“泛化能力”。我们的策略是主动学习Active Learning结合手动构建确保采样覆盖整个我们关心的构型空间。第一性原理计算基础所有训练和参考的DFT计算均采用VASP软件包完成。交换关联泛函选用PBE平面波截断能设置为520 eVk点网格密度保证总能量收敛至1 meV/atom以内。这些是获得可靠量子力学数据的标准配置为MTP学习提供了坚实的“真理”基准。构型空间采样体相与弹性变形我们包含了Ni (fcc)、Al (fcc) 以及Ni3Al (L12) 的完美晶体。通过对这些晶体施加一系列均匀的拉伸、压缩和剪切应变我们生成了能量-体积曲线和弹性常数计算所需的变形构型。这确保了MTP能准确描述材料的宏观力学响应。点缺陷与振动我们在超胞中系统地引入了单空位、双空位、三空位以及反位缺陷NiAl, AlNi。同时通过分子动力学模拟在从300 K到2000 K的温度范围内对超胞进行采样捕获了原子在平衡位置附近的热振动信息这对于学习原子受力和描述有限温度下的动力学行为至关重要。表面、界面与堆垛层错我们构建了不同晶面的表面模型、Ni/Ni3Al相界面模型以及通过在密排面111上施加不同剪切位移向量生成的广义堆垛层错GSF构型。这部分数据对于学习远离体相的环境描述至关重要是预测表面能、界面能和层错能的基础。液态与非晶态为了提升势函数对高温和极端无序状态的描述能力我们还采样了高温液态和快速淬火得到的非晶态构型。虽然本次研究的重点在缺陷但这些数据有助于提高势函数的整体鲁棒性。最终我们的训练集包含了约15,000个构型每个构型都包含DFT计算得到的精确总能量、每个原子所受的力以及体系的应力张量。验证集则包含约3,000个独立构型用于监控训练过程防止过拟合。注意训练集的构建并非一蹴而就。我们采用了迭代的主动学习流程先用一个较小的初始数据集训练一个“种子”MTP然后用它来运行一些探索性的分子动力学模拟如高温退火、拉伸模拟将模拟轨迹中MTP预测不确定性通过局部描述符的稀疏性等指标衡量较高的新构型挑选出来进行DFT计算并加入训练集。如此循环逐步填充构型空间的“空白区域”。2.2 MTP模型与超参数选择我们采用了基于矩张量Moment Tensor描述的MTP框架。其核心思想是将中心原子i的局域环境用一组旋转不变的矩张量来描述M_{μ,ν} ∑_{j≠i} f_μ(|r_ij|) * (r_ij ⊗ ... ⊗ r_ij)ν个张量积 其中r_ij是原子j相对于i的位置矢量f_μ是一组径向基函数。系统的总势能则表示为这些不变量的线性组合。通过优化组合系数来拟合DFT的能量、力和应力。模型复杂度控制MTP的精度和速度很大程度上由两个关键参数决定“level”和“radial basis size”。Level决定了不变量的最大阶数即描述原子环境的细致程度radial basis size决定了径向函数的数量。我们通过网格搜索在验证集上评估不同参数组合的误差。最终选择了一个在精度和效率间取得良好平衡的配置level16径向基函数数量为8。这个配置足以捕捉Ni-Al体系中复杂的多体相互作用同时保证了后续大规模分子动力学模拟的可行性。训练与优化训练过程即最小化MTP预测与DFT数据之间的损失函数该函数是能量、力和应力误差的加权和。我们使用L-BFGS优化器。一个关键的技巧是损失函数中力与应力权重的设置。由于力的数据量远多于能量每个构型有3N个力分量且力直接决定了动力学模拟的准确性我们给予了力较高的权重。同时应力项的加入对于正确复现弹性性质和各类应变下的响应至关重要。2.3 初步性能验证与DFT的吻合度训练完成后我们首先在训练集和验证集上检查MTP的预测能力。下表展示了能量、力和应力的均方根误差RMSE数据集能量 RMSE (meV/atom)力 RMSE (eV/Å)应力 RMSE (GPa)训练集2.240.0290.11验证集1.640.0280.09结果解读低误差水平验证集的误差与训练集相当甚至略低说明模型没有过拟合泛化能力良好。~1.6 meV/atom的能量误差和~0.03 eV/Å的力误差对于大多数材料模拟应用来说已经达到了“化学精度”级别意味着MTP的势能面与DFT的势能面高度吻合。力预测精度力的RMSE仅为0.028 eV/Å这是一个非常出色的指标。在分子动力学模拟中力是驱动原子运动的核心力的高精度直接保证了动力学轨迹的可靠性这对于研究扩散、相变等过程至关重要。应力预测应力误差在0.1 GPa量级这对于准确计算弹性常数、声子谱以及模拟材料在应力下的响应是足够的。这个初步验证告诉我们我们训练的MTP已经成功“学会”了从训练数据中映射原子构型到能量/力/应力的关系。但这仅仅是第一步好比学生记住了课本上的例题。接下来我们要用它去解答一系列全新的、更复杂的“考题”——预测各种独立的物理性质。3. 基础物理性质预测MTP的“期末考试”一个势函数是否可靠不能只看它对训练数据的复现能力更要看它能否准确预测一系列未参与训练的、独立的物理性质。这就像考核学生是否真正理解了知识而不是死记硬背。我们选取了Ni和Ni3Al的一系列基础性质作为考核项目并将MTP的预测结果与DFT、EAM势以及实验值进行对比。3.1 晶格常数与弹性性质我们首先计算了体相Ni和Ni3Al在0K下的平衡晶格常数、弹性常数C11, C12, C44、以及由此导出的体模量B、剪切模量G、杨氏模量E和泊松比ν。结果汇总于下表表Ni与Ni3Al的弹性性质预测对比 (DFT, MTP, EAM, EXP)性质方法Ni (预测值)Ni3Al (预测值)晶格常数 a (Å)DFT3.5113.562MTP3.5083.563EAM3.5203.533EXP3.5243.567体模量 B (GPa)DFT200.02182.86MTP196.93182.71EAM181.01190.03EXP190±13171 / 221 (文献值分散)关键发现与讨论MTP与DFT高度一致对于晶格常数和所有弹性模量MTP的预测值与DFT计算结果几乎完全吻合。这说明MTP成功地从原子尺度学习了材料的键合特性并能外推到小应变下的力学响应。与实验值的偏差无论是DFT还是MTP预测的晶格常数都略小于实验值约0.3-0.5%。这主要源于两个因素第一实验数据是在室温下测量的而我们的计算是0K下的基态性质热膨胀会导致晶格常数增大第二也是更重要的我们使用的PBE泛函本身会轻微低估过渡金属的晶格常数。此外对于NiPBE泛函未考虑磁性效应Ni在低温下是铁磁性的这也会影响晶格常数和弹性性质。MTP继承了底层DFT方法的这些系统性偏差。EAM势的表现Mishin的EAM势在拟合时特意包含了弹性性质因此它在这一项“考试”中表现也不错与实验值符合良好。这在意料之中因为这是它的“特长”。但这也提醒我们一个势函数在特定拟合目标上表现好不代表其在其他未拟合性质上同样可靠。3.2 能量-体积曲线与声子谱为了测试势函数在有限应变下的行为我们计算了能量随体积变化的曲线E-V曲线。同时为了检验其动力学矩阵的准确性我们计算了Ni和Ni3Al的声子色散关系。能量-体积曲线MTP完美复现了DFT计算出的E-V曲线在整个体积变化范围内的形状包括平衡体积、压缩和膨胀区域。而EAM势在偏离平衡体积较大时与DFT结果出现明显分歧。这说明MTP对键长变化的描述具有更好的可转移性。声子谱声子谱是晶格动力学的直接体现对势函数的二阶乃至更高阶力常数非常敏感。我们的MTP预测的声子支频率和态密度与DFT结果高度吻合再次超越了EAM势。特别是对于Ni3Al中一些特定的光学支MTP的准确性尤为突出。这意味着基于MTP的分子动力学模拟能够产生正确的原子振动行为这对于计算热力学性质如自由能、热膨胀和模拟有限温度下的过程至关重要。实操心得在评估势函数时声子谱是一个极其严厉但有效的测试。很多经验势在静态性质上表现尚可但一到声子谱就“原形毕露”出现虚频动力学不稳定或频率严重偏离。MTP能通过这一关证明了其描述局域力常数的准确性这是进行可靠动力学模拟的基础。4. 点缺陷能量学的精准预测这是本次评估的核心也是MTP相较于传统势函数优势最能体现的地方。点缺陷空位、空位团簇、反位缺陷的形成和迁移是控制材料扩散、蠕变、辐照损伤等过程的关键。我们系统计算了多种点缺陷的形成能、结合能以及空位的迁移势垒。4.1 单空位与空位团簇形成能计算对于单空位形成能E_f^V E_defect(N-1) - (N-1)/N * E_perfect(N)。对于含有n个空位的团簇其形成能E_f(nV) E_defect(N-n) - (N-n)/N * E_perfect(N)。空位团簇的结合能E_b则衡量了空位聚集是放热结合能0吸引还是吸热结合能0排斥过程。关键结果对比部分摘录缺陷类型性质MTP (eV)DFT (eV)EAM (eV)实验/文献 (eV)Ni 单空位形成能E_f1.4251.4251.5721.4 – 1.74迁移能E_m1.0001.0001.195~1.24 – 1.38Ni3Al (Ni空位)形成能E_f1.5881.6431.7731.6±0.2Ni3Al (Al空位)形成能E_f1.7101.7871.5441.6±0.2Ni 最近邻双空位结合能E_b0.0150.0510.164~0.4±0.2深度分析惊人的一致性MTP在预测单空位形成能、迁移能方面与DFT结果几乎完全一致误差在几个meV以内。对于Ni中的单空位MTP给出的1.425 eV与DFT的1.425 eV完全吻合且落在分散的实验值范围内。空位团簇结合能的符号预测这是体现物理描述准确性的关键。在体心Ni中MTP和DFT都预测最近邻1NN双空位有微弱的吸引作用正结合能而次近邻2NN和第三近邻3NN则变为排斥。MTP不仅准确预测了结合能的大小更重要的是准确预测了其符号吸引/排斥。相比之下EAM势预测所有间距的双空位都是吸引的这与DFT结论相悖。Ni3Al中的空位行为MTP预测Ni空位形成能1.588 eV低于Al空位1.710 eV表明在Ni3Al中形成Ni空位更容易。这与DFT趋势一致。而EAM势则给出了相反的趋势Al空位形成能更低这可能源于其拟合数据库的局限性。迁移势垒通过爬坡弹性带CI-NEB方法计算单空位迁移路径MTP复现的势垒曲线与DFT高度吻合而EAM势普遍高估了迁移势垒。值得注意的是EAM预测的Ni空位迁移能1.195 eV反而更接近某些实验值这是因为该EAM势在开发时特意拟合了迁移能垒。这再次说明了传统势函数的“目标依赖性”——拟合了什么什么就准没拟合的就可能出错。4.2 三空位构型搜索与界面空位为了进一步挑战MTP我们进行了更复杂的缺陷能量学计算。三空位构型搜索在3×3×3的超胞中我们枚举了Ni中144种、Ni3Al中280种对称性不等价的三空位构型并计算了它们的形成能。MTP成功捕捉到了DFT计算出的能量排序总体趋势。例如在Ni中能量最低的三空位构型是位于{111}面上的三角形其次是沿111方向的线型最不稳定的是沿001方向的线型。MTP准确预测了这些最稳定和最不稳定的构型。注意事项我们也发现当不同构型之间的形成能差异非常小 0.03 eV时MTP和DFT预测的相对稳定性顺序可能出现微小差异。这反映了当前MTP模型的精度极限。对于能量如此接近的构型区分它们需要模型达到meV/atom量级的超高精度这通常需要更复杂的基组或更大的训练集但会牺牲计算效率。在实际应用中需要根据研究问题的能量尺度来权衡精度需求。界面空位形成能我们计算了Ni/Ni3Al相界面处不同位置空位的形成能。MTP准确复现了DFT预测的相对稳定性顺序界面处的Ni空位Site 1最容易形成。而EAM势则严重高估了所有界面空位的形成能。这表明MTP对于复杂化学环境如界面的描述能力更强。5. 空位团簇的基态构型与扩散行为探索在证明了MTP对静态缺陷能量学的准确性后我们利用其高效性探索了传统DFT难以直接处理的问题较大空位团簇的稳定构型和动力学行为。5.1 空位团簇的基态构型搜索在面心立方fcc金属中空位团簇可能以多种形态存在如空位环Loop、层错四面体Stacking Fault Tetrahedron, SFT和空洞Void。哪种构型最稳定我们使用MTP在包含2048个原子的8×8×8超胞中系统搜索了包含3到24个空位的团簇的基态构型。方法对于空位环和空洞构型我们进行了穷举搜索。对于SFT和其他可能构型我们采用了多次分子动力学退火模拟让体系在高温下探索构型空间再淬火到0K寻找能量最低点。主要发现3空位 (3v)最稳定构型是三角形空位环。4空位 (4v) 和 8空位 (8v)倾向于形成空洞构型。5空位 (5v)形成一个类似6空位空洞的构型但其中心附近有一个自间隙原子SIA这是一个有趣的缺陷复合体。6, 10, 15, 21空位这些是“幻数”尺寸完美SFT构型是最稳定的。SFT是一种由四个层错面围成的四面体空位簇是fcc金属中常见的辐照缺陷。其他尺寸对于非幻数尺寸的空位团簇最稳定的构型是“不完美”的SFT即一个SFT核心外加一个邻近的空位。这项工作清晰地展示了不同尺寸空位团簇在Ni中的偏好构型为理解辐照或塑性变形过程中空位聚集的早期阶段提供了原子尺度的图像。这是单纯依靠DFT或传统EAM势难以系统完成的。5.2 空位团簇的扩散动力学一个意外发现更令人兴奋的是动力学部分。我们想知道不同大小的空位团簇谁的迁移能力更强我们在800 K下对包含相同空位浓度12个空位但以不同团簇形式单空位、双空位、三空位、四空位、六空位存在的体系进行了2 ns的分子动力学模拟并计算了体系的均方位移MSD。出乎意料的结果在考虑的几种团簇中具有SFT结构的六空位团簇6v-SFT扩散最快而单空位在800 K下几乎不移动整个2 ns轨迹中仅观察到一次跳跃。双空位和六空位团簇在模拟过程中保持结构稳定。三空位和四空位团簇则不稳定会分解成更小的团簇。机理探究为什么6v-SFT扩散这么快通过分析轨迹我们发现6v-SFT存在两种中心对称的构型。在模拟中它频繁地在这两种构型之间转换。通过CI-NEB计算这种转换的能垒仅有约0.4 eV低得惊人。在转换过程中SFT核心区域的一个原子会发生快速、长程的“跳跃”式迁移见图12轨迹。这种低能垒的集体重排机制使得6v-SFT能够实现快速的整体扩散。实操心得这个发现具有重要的物理意义。它表明在某些情况下空位聚集形成的特定团簇如SFT可能比单个空位或小团簇具有更高的迁移率。这挑战了“缺陷越大越不移动”的简单直觉对于理解材料中缺陷的长期演化如辐照肿胀、蠕变空洞生长可能有新的启示。这也凸显了大规模分子动力学模拟在发现新现象方面的价值。6. 面缺陷能量学广义堆垛层错能曲面面缺陷特别是堆垛层错是理解位错核心结构和材料塑性变形的关键。广义堆垛层错能GSFE曲面描述了晶体在滑移面上发生相对剪切时能量随位移矢量的变化。6.1 计算方法与结果我们使用“剪切别名”方法在六层厚的超胞中计算了Ni和Ni3Al密排面111上的GSFE曲面。对于DFT我们在位移空间采用了16×26的网格而对于计算廉价的MTP和EAM我们使用了更密的120×120网格来获得平滑的能面。关键层错能对比层错类型体系MTP (mJ/m²)DFT (mJ/m²)EAM (mJ/m²)文献/实验值 (mJ/m²)本征层错 (γ_ISF)Ni115133139120-130复杂层错 (γ_CSF)Ni3Al196210238205-249反相畴界 (γ_APB)Ni3Al235163206175-259超点阵本征层错 (γ_SISF)Ni3Al7355416-80结果分析总体趋势MTP预测的GSFE曲面与DFT计算结果在形状和数值上吻合良好特别是在能量较低的区域即实际位错分解可能经过的路径附近。这比EAM势的预测要准确得多。Ni3Al中的反相畴界APB我们发现Ni3Al中的APB在结构弛豫后其原子位置会略微偏离几何理想位置。因此我们采用弛豫后的能量最低点而非几何理想点来计算APB能。这使得我们计算出的γ_APB值MTP: 235, DFT: 163 mJ/m²低于一些文献中基于未弛豫或不同方法计算的值。这强调了在计算这类缺陷能时进行充分结构弛豫的重要性。位错分解分析根据GSFE曲面上的最小能量路径我们可以推断位错的分解方式。在Ni中一个全位错1/2[1-10]会分解为两个肖克利不全位错1/6[2-1-1]和1/6[1-21]中间夹着一片本征层错ISF。在Ni3Al中一个超位错[1-10]首先分解为两个1/2[1-10]位错加一个APB然后每个1/2[1-10]位错再进一步分解为两个肖克利不全位错中间夹着一个复杂层错CSF。这些预测与文献中基于位错理论的描述一致。6.2 误差来源与模型局限我们也注意到MTP在GSFE曲面的一些高能量区域远离最小能量路径误差有所增大。这主要是因为我们的训练数据主要来自平衡或近平衡的分子动力学采样对这些高能量的非平衡剪切构型采样不足。这是机器学习势函数的一个常见挑战模型在训练数据密集的区域表现极好但在数据稀疏的“外推”区域精度会下降。解决之道在于通过主动学习有针对性地将这些高能量构型加入训练集。7. 熔点预测与外推能力测试作为对MTP外推能力的终极测试我们计算了Ni和Ni3Al的熔点。我们采用了固-液共存法构建了一个包含8000个原子、具有(001)固液界面的超胞通过分子动力学模拟观察两相在不同温度下的共存状态从而确定熔点。结果NiMTP预测的熔点约为1597 K低于实验值1728 K。Ni3AlMTP预测的熔点约为1630 K与实验值1645 K符合得很好。讨论值得注意的是我们的训练集中并没有刻意包含熔体结构。MTP能够相对准确地预测熔点尤其是对Ni3Al这展示了其出色的外推能力。模型从固态的原子构型中学习到的相互作用在一定程度上可以推广到液态这种高度无序的状态。对于Ni熔点的低估可能源于PBE泛函本身对Ni结合能的描述偏差以及磁性效应的缺失这些系统误差被MTP继承了下来。8. 总结与展望MTP的优势、挑战与应用前景通过这一系列系统性的评估我们可以得出以下结论MTP的核心优势高精度与DFT一致性在预测Ni-Al体系从体相性质到复杂点缺陷、面缺陷的能量学方面MTP表现出了与DFT高度一致的能力显著超越了传统EAM势尤其是在描述空位团簇结合能符号、层错能曲面等复杂性质上。高效性与可扩展性一旦训练完成MTP的计算速度比DFT快数个数量级使得包含数千原子、纳秒时间尺度的分子动力学模拟成为可能从而可以研究DFT无法直接触及的尺寸和时间尺度的问题如空位团簇的基态搜索和扩散动力学。良好的外推性即使训练集未包含熔体数据MTP也能对熔点做出合理预测展示了其从有限数据中学习普适物理规律的能力。当前模型的挑战与局限性能量接近构型的区分当不同缺陷构型的形成能差异非常小 30 meV时当前MTP模型的精度可能不足以可靠地区分它们的相对稳定性。要达到meV/atom量级的超高精度需要更复杂的模型但这会牺牲计算效率。训练数据依赖性MTP的精度严重依赖于训练数据的质量和覆盖范围。对于某些涉及Al空位的三空位构型MTP误差较大这很可能是因为训练数据中对包含Al空位的构型空间采样不足。这指明了未来改进的方向。继承DFT的误差MTP无法纠正底层DFT方法如PBE泛函的系统性误差例如对晶格常数的轻微低估、对表面能的描述偏差等。对未来工作的启示主动学习优化训练集未来的工作应更系统地采用主动学习策略自动识别并补充构型空间的“空白”或“高不确定性”区域特别是那些高能量的过渡态、复杂缺陷簇和远离平衡的构型。开发通用势函数本研究为开发一个适用于Ni-Al合金体系的通用机器学习势函数奠定了基础。一个理想的通用势应该能够无缝描述从纯Ni、纯Al到各种成分的Ni-Al合金以及它们的各种相、缺陷和界面。应用于实际工程问题有了这样一个经过严格验证的高精度势函数我们可以信心十足地将其应用于更实际的工程问题模拟例如高温下位错与空位的交互作用、蠕变过程中空洞的形核与长大、辐照损伤的早期演化、合金元素如Re, Ta, W在缺陷处的偏聚行为等。这些模拟将为深入理解镍基高温合金的微观力学行为和性能优化提供前所未有的原子尺度洞察。个人体会从事这项工作让我深刻体会到机器学习势函数并非一个“黑箱”魔法。它的成功极大地依赖于对物理问题的深刻理解、精心设计的训练策略以及严谨系统的验证流程。构建一个可靠的MTP就像培养一个专家你需要用高质量、全面的数据知识去训练它然后用一系列具有挑战性的独立问题考题去考核它只有通过全面考核的模型才能被委以重任去探索那些未知的领域。这条路虽然充满挑战但看到模型能够复现甚至预测出复杂的物理现象时所有的努力都是值得的。
