[논문 리뷰] Capturing short-range order in high-entropy alloys with machine learning potentials

Yifan Cao, Killian Sheriff외 1명|arXiv (Cornell University)|2024. 01. 12.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 CrCoNi와 같은 고엔트로피 합금에서 화학적 단거리 순서(SRO)를 정확하게 캡처할 수 있도록 체계적인 프레임워크를 제안한다. 특히 첫 번째 및 두 번째 배위층에서 화학적으로 복잡한 모티프를 전략적으로 샘플링함으로써, MLP는 SRO, 스택형 결함 에너지, 상 안정성, 융해 온도 예측에서 높은 정밀도를 달성하며, 기존의 전통적 잠재력보다 뛰어나며, 에너지 정확도만으로는 SRO 정밀도를 예측할 수 없다는 것을 입증한다.

ABSTRACT

Chemical short-range order (SRO) affects the distribution of elements throughout the solid-solution phase of metallic alloys, thereby modifying the background against which microstructural evolution occurs. Investigating such chemistry-microstructure relationships requires atomistic models that act at the appropriate length scales while capturing the intricacies of chemical bonds leading to SRO. Here we consider various approaches for the construction of training data sets for machine learning potentials (MLPs) for CrCoNi and evaluate their performance in capturing SRO and its effects on materials quantities of relevance for mechanical properties, such as stacking-fault energy and phase stability. It is demonstrated that energy accuracy on test sets often does not correlate with accuracy in capturing material properties, which is fundamental in enabling large-scale atomistic simulations of metallic alloys with high physical fidelity. Based on this analysis we systematically derive design principles for the rational construction of MLPs that capture SRO in the crystal and liquid phases of alloys.

연구 동기 및 목표

• 에너지 정확도가 고엔트로피 합금(HEA)에서 화학적 단거리 순서(SRO)를 정확히 반영하지 못하는 원자 모델링의 핵심 격차를 해결하기 위해.
• MLP가 SRO와 그 주요 기계적 성질에 미치는 영향을 재현할 수 있도록 하는 훈련 데이터셋을 구성하는 데 필요한 설계 원칙을 규명하고 검증하기 위해.
• 특히 첫 번째 및 두 번째 배위층에서 화학적으로 관련성이 높은 모티프를 광범위하고 편향된 샘플링이 SRO의 고정밀 모델링에 필수적임을 입증하기 위해.
• 대규모 시뮬레이션을 통해 SRO가 스택형 결함 에너지, 상 안정성, 융해 온도 등의 물리적 성질에 미치는 영향을 평가하기 위해.
• 모든 설계 원칙을 통합한 벤치마크 훈련 세트를 수립하여 여러 물리적 성질에서 DFT 수준의 정확도를 달성하기 위해.

제안 방법

• CrCoNi를 모델링하기 위해 다른 MLP보다 우수한 성능을 보이는 5 Å 반경 커팅을 가진 Moment Tensor Potential(MTP)을 사용한다.
• DFT 기반 몬테카를로 시뮬레이션에서 중간 구성 상태를 추출하여 훈련 데이터셋(TS-0, TS-1, TS-2)을 체계적으로 보강함으로써 SRO 관련 화학적 모티프를 캡처한다.
• 훈련 전략은 첫 번째, 두 번째, 세 번째 배위층의 고유한 화학적 모티프를 광범위하게 샘플링하며, 특히 SRO에 영향을 미치는 모티프에 특별한 주목을 기울인다.
• 모델 성능 평가를 위해 예측의 변동성을 줄이고 정밀도를 높이기 위해 20개의 독립적인 MLP 앙상블에서 95% 신뢰구간을 사용한다.
• 주요 성질인 Warren-Cowley 계수, 스택형 결함 에너지, 상 안정성(ΔE), 융해 온도를 DFT 및 실험 기준과 비교하여 계산하고 분석한다.
• 최종 훈련 세트(TS-f)는 모든 설계 원칙을 통합하며, 융해 온도를 계산하기 위해 상 공존 분자 동역학를 통해 검증된다.

실험 결과

연구 질문

• RQ1 테스트 세트에서의 에너지 정확도가 고엔트로피 합금에서 화학적 단거리 순서(SRO)를 정확히 예측하는 데 관련이 있는가?
• RQ2 첫 번째 및 두 번째 배위층에서 화학적 모티프를 체계적으로 샘플링하는 것은 MLP의 SRO 및 연관 물성 예측 성능에 어떤 영향을 미치는가?
• RQ3 SRO는 CrCoNi에서 스택형 결함 에너지와 상 안정성에 어느 정도의 영향을 미치며, MLP는 이러한 영향을 고정밀도로 재현할 수 있는가?
• RQ4 SRO 정밀도가 확보된 MLP를 사용한 대규모 시뮬레이션은 소규모 DFT 시뮬레이션에서 놓친 결함 에너지 및 상 전이에 대한 불확실성을 해결할 수 있는가?
• RQ5 SRO를 정확히 캡처하면서도 열역학적 및 기계적 성질의 높은 정확도를 유지할 수 있도록 하는 최적의 훈련 데이터 전략은 무엇인가?

주요 결과

• 테스트 세트에서의 에너지 정확도는 SRO 정확도와 관련이 없으며, 이는 SRO 전용 훈련 전략이 필수적임을 시사한다.
• 최종 MLP(TS-f)는 1661 K의 융해 온도를 기록하였으며, 실험값 1690 K와 뛰어난 일치를 보이며, EAM 잠재력(1410 K)보다 뚜렷이 뛰어난 성능을 보였다.
• 모든 온도에서 스택형 결함 에너지(γ_sf)는 음수로 예측되어, 실험적으로 관측된 부분적 결정자 간격이 양의 γ_sf 때문이라는 가설을 지지한다.
• 액체 상에서 SRO를 포함하는 것은 액체 상의 안정화에 필수적이며, 이는 적절한 화학적 모티프 샘플링 없이선 달성되지 않았다.
• SRO는 헥사고날 밀도 상에서 상 안정성(ΔE)을 더욱 강화하며, 저온에서 약 600 K 근처에 ΔE의 고리가 관측되어 이는 이전의 처음 원리 연구 결과와 일치하는 잠재적 상 전이를 시사한다.
• 모든 설계 원칙을 통합한 최종 훈련 세트는 여러 성질에서 높은 물리적 정밀도를 달성하여, DFT 수준의 정확도로 CrCoNi의 대규모 원자 모델링을 가능하게 한다.