[论文解读] 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 3

一句话总结

本文提出了一种基于神经演化框架与主动学习的通用机器学习势（MLP），用于Ti-Al-Nb合金，其训练数据来源于第一性原理计算。该MLP在高达数千万原子的大规模分子动力学模拟中实现了从头算精度，准确捕捉了Nb掺杂对堆垛层错能和形成能的影响，并实现了对TiAl层状结构中微观力学行为的高保真度研究。

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.

研究动机与目标

• 为解决高Nb含量TiAl合金大规模模拟中缺乏精确原子间势的问题。
• 开发一种机器学习势，可在保持从头算精度的同时，实现数千万原子的大规模模拟。
• 捕捉Nb掺杂在改变Ti-Al-Nb体系中堆垛层错能和形成能方面的关键作用。
• 支持在热机械载荷下对TiAl层状结构中微观力学行为的研究。
• 为航空航天和汽车应用中的未来合金开发提供一种通用且可迁移的势函数。

提出的方法

• 采用神经演化势框架，优化神经网络势的架构与超参数。
• 集成主动学习方案，迭代选择最具信息量的原子构型用于第一性原理训练数据。
• 在涵盖多种晶体结构、缺陷和高温相的全面第一性原理计算数据集上训练MLP。
• 使用对称性函数和环境描述符，编码原子邻近环境信息，实现对旋转和平移的不变性。
• 通过晶格参数、缺陷形成能、热膨胀系数和熔点等第一性原理数据验证MLP的准确性。
• 通过多体相互作用和高效并行化，将势函数扩展至大规模分子动力学模拟。

实验结果

研究问题

• RQ1 机器学习势在描述Ti-Al-Nb合金在多种相和缺陷下的热力学与力学性质方面，其精度如何？
• RQ2 MLP在多大程度上准确捕捉了Nb掺杂对TiAl基体系中堆垛层错能和形成能的影响？
• RQ3 MLP是否能在保持从头算精度的同时，支持涉及数千万原子的大规模分子动力学模拟？
• RQ4 该势函数在Ti-Al-Nb合金中不同晶体结构、位错和高温条件下的可迁移性如何？
• RQ5 在模拟TiAl层状显微结构中微观力学行为时，MLP在性能与精度之间存在怎样的权衡？

主要发现

• MLP在预测Ti-Al-Nb合金多种相的晶格参数、缺陷形成能和弹性性质方面，达到了从头算水平的精度。
• 该势函数准确再现了Nb掺杂引起的堆垛层错能降低，这是塑性变形机制的关键因素。
• 点缺陷和扩展缺陷的形成能被高保真度预测，与第一性原理基准结果高度一致。
• 热膨胀系数和熔点的预测结果与参考第一性原理数据高度吻合。
• MLP实现了数千万原子规模的分子动力学模拟，计算效率接近经典势函数，精度接近DFT水平。
• 该模型在多种原子环境（包括复杂位错构型和高温相）中表现出优异的可迁移性。