[论文解读] Atomic Representations of Local and Global Chemistry in Complex Alloys

Megan McCarthy, Jacob Startt+3 more|arXiv (Cornell University)|Mar 8, 2023

Machine Learning in Materials Science被引用 4

一句话总结

本文为MoNbTaTi难熔复杂浓缩合金（CCAs）提出了一种机器学习的原子间势，并构建了一个框架，利用径向截断半径相关的局部成分度量方法量化局部与全局化学组成。研究发现，即使在等原子比的CCAs中，空位形成能也显著依赖于局部化学环境，表现出强烈的局部化学环境依赖性，这挑战了基于全局成分的性质预测方法。

ABSTRACT

The exceptional properties observed in complex concentrated alloys (CCAs) arise from the interplay between crystalline order and chemical disorder at the atomic scale, complicating a unique determination of properties. In contrast to conventional alloys, CCA properties emerge as distributions due to varying local chemical environments and the specific scale of measurement. Currently there are few ways to quantitatively define, track, and compare local alloy compositions (versus a global label, i.e. equiatomic) contained in a CCA. Molecular dynamics is used here to build descriptive metrics that connect a global alloy composition to the diverse local alloy compositions that define it. A machine-learned interatomic potential for MoNbTaTi is developed and we use these metrics to investigate how property distributions change with excursions in global-local composition space. Short-range order is examined through the lens of local chemistry for the equiatomic composition, demonstrating stark changes in vacancy formation energy with local chemistry evolution.

研究动机与目标

• 为解决复杂浓缩合金（CCAs）中局部化学涨落描述缺乏统一方法的问题，该问题使性质预测变得复杂。
• 开发一种定量的局部成分度量方法，以捕捉原子尺度上的化学非均匀性，该方法与全局成分相区分。
• 将局部化学环境与可测量的力学和缺陷性质（如空位形成能和弹性模量）联系起来。
• 通过DFT和MD模拟，验证针对MoNbTaTi的机器学习原子间势（ML-IAP）在全局和局部成分空间中的性能。
• 通过识别局部化学和性质分布中的组成依赖性趋势，为未来训练改进的ML-IAP提供支持。

提出的方法

• 将局部成分 $c_{\rm local}$ 定义为以每个原子为中心、半径为 $r_{\rm cut}$ 的球形截断区域内各元素的浓度，从而实现局部化学的点云表征。
• 使用新训练的基于SNAP的机器学习原子间势进行分子动力学（MD）模拟，研究等原子比MoNbTaTi，并追踪局部成分的演化。
• 采用混合蒙特卡罗/分子动力学（MC/MD）方法，进行75,000步MC模拟，以诱导化学重排并探测短程有序效应。
• 通过MD模拟计算弹性常数 ($\mathbb{C}_{11}, \mathbb{C}_{12}, \mathbb{C}_{44}$)，并利用标准公式推导体积模量 ($B$) 和剪切模量 ($G$)。
• 通过式（11）计算空位形成能 $E_{\rm vac}^{\mu}$，即完整超胞与移除原子超胞之间的能量差。
• 使用Warren-Cowley参数 $\alpha_i^{AB}$ 量化每个原子第一近邻壳层的短程有序度（式12）。

Figure 1: Illustration of global and local composition spaces for a quaternary alloy of generic elements A B C D. a Global composition perspective. The location of a quaternary alloy’s equiatomic composition in the phase tetrahedron is shown with a star. The vertices, edges, and faces of the tetrahe

实验结果

研究问题

• RQ1 在MoNbTaTi的随机固溶体中，局部化学组成如何变化？其与全局等原子比组成相比偏离程度如何？
• RQ2 即使在等原子比的CCAs中，空位形成能在多大程度上依赖于局部化学环境？
• RQ3 弹性模量（体积模量和剪切模量）如何随局部组成变化？这些趋势能否被机器学习原子间势捕捉？
• RQ4 混合MC/MD方法能否有效采样化学重排，并揭示难熔CCAs中短程有序的演化？
• RQ5 局部化学与ML-IAP在力学和缺陷性质预测中的准确性之间存在何种关系？

主要发现

• MoNbTaTi中的局部成分表现出显著的空间非均匀性，$c_{\rm local}$ 值的点云分布围绕全局等原子比组成展开，尤其在较小的 $r_{\rm cut}$ 下更为明显。
• MoNbTaTi中各元素的空位形成能显著依赖于局部化学环境，表明即使在等原子比合金中，也存在强烈的局部化学依赖性。
• 机器学习原子间势成功再现了DFT计算的弹性常数，并准确预测了不同组成下体积模量和剪切模量的变化趋势。
• 通过Warren-Cowley参数量化短程有序度，在MC/MD模拟过程中显著演化，表明系统中存在动态的化学重排。
• 在MC/MD步骤中势能收敛，证实了模拟协议在探测局部化学和缺陷性质方面的稳定性与可靠性。
• 该框架实现了对全局-局部成分空间中性质分布的定量映射，揭示了仅依赖全局成分无法实现CCAs中性质的准确预测。

Figure 2: a Schematic of the ML-IAP fitting process. The FitSNAP software 18 performs regression while LAMMPS is used to calculate descriptors. The resulting fit is run through a series of tests, whose errors are used to inform a single-objective genetic algorithm provided by DAKOTA. By iterating th