npj Comput. Mater.: 自动DFT+机器学习模拟Ni3Al基合金的反相畴界能

反相畴界（APB）是平面缺陷，在强化镍基高温合金中起着关键作用，它们对合金成分的敏感性为合金设计提供了灵活的调整参数。

在此，美国加州大学伯克利分校Mark Asta、劳伦斯利弗莫尔国家实验室Timofey Frolov等人报道了一个计算工作流程以提供足够的数据来训练机器学习（ML）模型，从而自动研究成分对Ni₃Al基合金中（111）APB能（记为γ111）的影响。作者通过创建一个计算工作流程来自动化DFT计算，最终生成了丰富的数据（包括溶质位点偏好、γ111及物理上有意义的特征），从而实现对APB能的化学贡献的数据驱动评估。

具体而言，对于每个三元物种，作者首先使用PyDII计算其亚晶格偏好，然后使用该预测来使用ATAT构建模型超晶胞。接下来，基于VASP进行DFT计算以获得γ111。最后，使用在scikit-learn中实现的ML技术来分析数据中的相关性并为γ111构建预测性ML模型。

图1. γ111成分依赖性的代表性曲线

研究表明，PyDII预测Co和Cr是位置偏好变化最大的两个物种。对于Co，可将其行为归类为更偏好Ni亚晶格；对于Cr，PyDII预测对Al亚晶格的偏好非常强烈。DFT结果还表明，几种元素表现出对γ111的非单调浓度依赖性，这可能对合金设计产生重要影响。在d区元素中，Ta可能是在高浓度下使γ111最大化的元素。

此外，用于分析γ111成分依赖性的随机森林（RF）模型实现了0.033 J m^-2的五倍交叉验证误差，R² 为 0.753。进一步，作者通过预测商业高温合金中的APB能证明了RF模型的可转移性与普适性。总之，这项研究表明高通量计算和ML之间的协同作用为探索广阔的合金成分空间提供了机会，并加快了合金应用的发展进程。

图2. RF模型结果

Modeling antiphase boundary energies of Ni₃Al-based alloys using automated density functional theory and machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00755-1

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/7938719d1f/

npj Comput. Mater.: 自动DFT+机器学习模拟Ni3Al基合金的反相畴界能

相关推荐