[논문 리뷰] A general-purpose neural network potential for Ti-Al-Nb alloys towards large-scale molecular dynamics with ab initio accuracy

Zhiqiang Zhao, Wanlin Guo외 1명|arXiv (Cornell University)|2024. 03. 14.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 첫 번째 원리 데이터를 기반으로 한 신경 진화 프레임워크와 주도 학습을 사용하여 일반 목적의 기계학습 잠재력(MLP)을 개발한다. 이 MLP는 대규모 분자 동역학 시뮬레이션에서 약 수천만 개 원자를 포함하는 상황에서도 DFT 수준의 정확도를 달성하며, 스택형 결함 및 형성 에너지에 대한 Nb 도핑 효과를 정확히 반영한다. 이는 TiAl 다층 구조에서의 마이크로 기계적 거동을 고정밀도로 연구할 수 있도록 한다.

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.

연구 동기 및 목표

• 대규모 모델링에서 고 Nb 함량을 가진 TiAl 합금에 대한 정확한 원자 간 잠재력의 부족을 해결하기 위해.
• 수천만 개 원자를 포함하는 시뮬레이션을 가능하게 하면서도 DFT 정확도를 유지하는 기계학습 잠재력을 개발하기 위해.
• Ti-Al-Nb 체계에서 스택형 결함 에너지와 형성 에너지를 수정하는 데 있어 Nb 도핑의 핵심적 역할을 포착하기 위해.
• 열기계적 하중 조건 하에서 TiAl 다층 구조의 마이크로 기계적 거동을 연구하는 데 지원하기 위해.
• 항공우주 및 자동차 응용 분야의 향후 합금 개발을 위한 일반 목적의 이식 가능한 잠재력을 제공하기 위해.

제안 방법

• 신경 진화 잠재력 프레임워크를 활용하여 신경망 잠재력의 아키텍처와 하이퍼파rameter를 최적화하기 위해.
• 가장 정보가 풍부한 원자 구성을 첫 번째 원리 학습 데이터로 반복적으로 선택하기 위해 주도 학습 기법을 통합하기 위해.
• 다양한 결정 구조, 결함, 고온 상을 포함하는 광범위한 첫 번째 원리 계산 데이터셋을 기반으로 MLP를 훈련하기 위해.
• 대칭 함수와 환경 기술자를 사용하여 원자 이웃 정보를 회전 및 이동에 대해 불변으로 표현하기 위해.
• 격자 상수, 결함 형성 에너지, 열팽창 계수, 융점 등에 대해 첫 번째 원리 데이터와의 정확도를 검증하기 위해.
• 다체 상호작용과 효율적인 병렬 처리를 활용하여 대규모 분자 동역학 시뮬레이션에 잠재력을 스케일링하기 위해.

실험 결과

연구 질문

• RQ1 기계학습 잠재력은 다양한 상과 결함을 포함한 Ti-Al-Nb 합금의 열역학적 및 기계적 성질을 얼마나 정확하게 기술할 수 있는가?
• RQ2 MLP는 TiAl 기반 체계에서 Nb 도핑이 스택형 결함 에너지와 형성 에너지에 미치는 영향을 어느 정도 정확히 포착하는가?
• RQ3 수천만 개 원자를 포함하는 대규모 분자 동역학 시뮬레이션을 수행하면서도 DFT 정확도를 유지할 수 있는가?
• RQ4 Ti-Al-Nb 합금에서 다양한 결정 구조, 결정 결함, 고온 조건에 걸쳐 잠재력의 이식 가능성은 어느 정도인가?
• RQ5 TiAl 다층 미세구조에서 마이크로 기계적 거동을 시뮬레이션할 때 성능-정확도의 상충 관계는 어떠한가?

주요 결과

• MLP는 Ti-Al-Nb 합금의 여러 상에서 격자 상수, 결함 형성 에너지, 탄성 성질을 DFT 수준의 정확도로 예측한다.
• Nb 도핑에 의해 유도되는 스택형 결함 에너지 감소를 정확히 재현하며, 이는 변형 메커니즘의 핵심 요소이다.
• 점 결함 및 확장된 결함의 형성 에너지를 첫 번째 원리 기준과 일치하는 높은 정밀도로 예측한다.
• 열팽창 계수와 융점은 기준 첫 번째 원리 데이터와 뛰어난 일치를 보인다.
• MLP는 고전적 잠재력 수준의 계산 효율성과 DFT 수준의 정확도를 동시에 확보하여 수천만 개 원자를 포함하는 대규모 분자 동역학 시뮬레이션을 가능하게 한다.
• 복잡한 결정 결함 구조와 고온 상을 포함한 다양한 원자 환경에 걸쳐 강력한 이식성을 보여준다.