近年来，新型机器学习方法被广泛应用于分子动力学势能计算。利用机器学习方法将第一性原理的计算精度带到更大尺度的分子模拟上来，这对未来分子模拟领域如何同时把握计算的精度和效率具有很大的意义。由于建模三种不同同素异形体的复杂性，经典的力场模型难以准确地模拟Ti和Zr三相的力学行为，并正确地预测其平衡相图。利用机器学习，来自美国密西西比州立大学的DoylE.Dickel教授团队提出了新的神经网络势能，能够精确模拟钛（Ti）和锆（Zr）的相，并准确预测相平衡图。本文使用快速人工神经网络(RANN)进行机器学习，由DFT模拟计算数据库用作训练，训练使用了多个数据库，每个数据库包含超过10，个模拟，并包含超过，个独特的原子环境，训练数据与测试数据比例为9:1。每个ANN包含由20个神经元组成的隐藏层。Ti网络输入层包含45个feature，Zr包含37个feature。利用训练的机器势能，作者采用LAMMPS进行模拟以获得材料后续的相变，来预测材料的平衡吉布斯自由能，也是势函数预测各相的实际熔化温度。由于β相熔化温度最高，其值代表了势函数预测的实际熔点，学习情况如图1所示，Ti和Zr系统能量的RMSE分别为1.77meV/atom和2.54meV/atom。图1左图为Ti和Zr体积/内聚能函数，右图为Ti和Zr三相DFT和ANN势能比较如图2所示，与现有势函数相比，机器学习势能更好地描述相变的的塑性行为。图2ANN与经典势能函数比较利用ANN势，Ti和Zr从纯bcc结构到hcp或六边形结构的演化过程如图3所示，相图如图4所示。图3机器学习势能下Ti和Zr从纯bcc结构到hcp或六边形结构的演化过程图4机器学习势能下Ti和Zr的相图相关研究成果以“Machinelearningmodelsforpredictivematerialssciencefromfundamentalphysics:Anapplicationtotitaniumandzirconium”为题发表在ActaMaterialia上（Volume,February,Articlenumber），论文的第一作者为MS.Nitol，通讯作者为DE.Dickel。论文链接：
转载请注明地址:http://www.1xbbk.net/jwbys/628.html
