[論文レビュー] A general-purpose neural network potential for Ti-Al-Nb alloys towards large-scale molecular dynamics with ab initio accuracy

Zhiqiang Zhao, Wanlin Guo+1 more|arXiv (Cornell University)|Mar 14, 2024

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本稿では、活性学習を組み込んだニューラルエボリューションフレームワークを用いて、第一原理計算データで訓練された汎用的機械学習ポテンシャル（MLP）を、Ti-Al-Nb合金に適用した。得られたMLPは、数千万原子に達する大規模分子動力学シミュレーションにおいて第一原理的精度を達成し、積層欠陥および生成エネルギーに対するNbドーピング効果を正確に捉え、TiAl層状構造における微視的力学的挙動の高精度な研究を可能にする。

ABSTRACT

High Nb-containing TiAl alloys exhibit exceptional high-temperature strength and room-temperature ductility, making them widely used in hot-section components of automotive and aerospace engines. However, the lack of accurate interatomic interaction potentials for large-scale modeling severely hampers a comprehensive understanding of the failure mechanism of Ti-Al-Nb alloys and the development of strategies to enhance the mechanical properties. Here, we develop a general-purpose machine-learned potential (MLP) for the Ti-Al-Nb ternary system by combining the neural evolution potentials framework with an active learning scheme. The developed MLP, trained on extensive first-principles datasets, demonstrates remarkable accuracy in predicting various lattice and defect properties, as well as high-temperature characteristics such as thermal expansion and melting point for TiAl systems. Notably, this potential can effectively describe the key effect of Nb doping on stacking fault energies and formation energies. Of practical importance is that our MLP enables large-scale molecular dynamics simulations involving tens of millions of atoms with ab initio accuracy, achieving an outstanding balance between computational speed and accuracy. These results pave the way for studying micro-mechanical behaviors in TiAl lamellar structures and developing high-performance TiAl alloys towards applications at elevated temperatures.

研究の動機と目的

• 大規模なTiAl合金に含まれる高Nb含有量のための正確な原子間ポテンシャルの欠如に対処すること。
• 数千万原子のシミュレーションを可能にしつつ、第一原理的精度を維持する機械学習ポテンシャルの開発。
• Ti-Al-Nb系における積層欠陥エネルギーおよび生成エネルギーの変化に与えるNbドーピングの重要な役割を捉えること。
• 熱機械的応力下におけるTiAl層状構造の微視的力学的挙動の研究を支援すること。
• 航空宇宙および自動車分野の将来的な合金開発に向けた汎用的かつ転送可能なポテンシャルを提供すること。

提案手法

• ニューラルネットワークポテンシャルのアーキテクチャおよびハイパーパrameterを最適化するため、ニューラルエボリューションポテンシャルフレームワークを採用。
• 第一原理計算のトレーニングデータとして、最も情報量の多い原子配置を段階的に選択するためのアクティブラーニングスキームを統合。
• 多様な結晶構造、欠陥、高温相をカバーする包括的な第一原理計算データセットを用いてMLPをトレーニング。
• 回転および並進不変性を確保するため、対称関数と環境記述子を用いて原子の周囲環境情報を符号化。
• 格子定数、欠陥生成エネルギー、熱膨張、融点について、第一原理データとの妥当性を検証。
• 多体相互作用と効率的な並列化を用いて、大規模分子動力学シミュレーションへのスケーリングを実現。

実験結果

リサーチクエスチョン

• RQ1 機械学習ポテンシャルは、多様な相および欠陥を含むTi-Al-Nb合金の熱力学的および機械的性質をどの程度正確に記述できるか？
• RQ2 MLPは、TiAlベース系におけるNbドーピングが積層欠陥エネルギーおよび生成エネルギーに与える影響をどの程度正確に捉えられるか？
• RQ3 数千万原子に達する大規模分子動力学シミュレーションを実現しつつ、第一原理的精度を維持できるか？
• RQ4 MLPは、Ti-Al-Nb合金における異なる結晶構造、不純物欠陥、高温条件下でもどの程度の転送性を示すか？
• RQ5 MLPは、TiAl層状マイクロ構造における微視的力学的挙動のシミュレーションにおいて、性能と精度のトレードオフはどのように変化するか？

主な発見

• MLPは、Ti-Al-Nb合金の複数の相において、格子定数、欠陥生成エネルギー、弾性特性を第一原理レベルの精度で予測した。
• Nbドーピングによる積層欠陥エネルギーの低下を正確に再現し、塑性変形機構の鍵要因を捉えた。
• 点欠陥および拡張欠陥の生成エネルギーは、第一原理ベンチマークと整合する高い忠実度で予測された。
• 熱膨張係数および融点は、基準となる第一原理データと優れた一致を示した。
• MLPは、古典的ポテンシャルと同等の計算効率を維持しながら、数千万原子に達する大規模分子動力学シミュレーションを可能にし、DFTに近い精度を達成した。
• 複雑な不純物欠陥構造や高温相を含む多様な原子環境において、強力な転送性を示した。