1. 项目概述当机器学习势函数遇上Ni-Al合金缺陷物理在计算材料学的世界里我们一直在寻找一个“圣杯”一种既能保持量子力学级别的精度又能处理成千上万个原子、模拟纳秒乃至微秒尺度动力学的工具。传统的第一性原理方法如密度泛函理论精度虽高但计算成本使其局限于数百个原子、皮秒尺度的模拟。而经典的半经验势函数如嵌入原子法虽然计算飞快但其精度和可迁移性常常令人担忧尤其是在处理远离平衡态或复杂缺陷构型时。这个矛盾在像Ni-Al这样的关键工程合金体系中尤为突出因为其高温强度、蠕变抗性等核心性能与材料内部微小的点缺陷、位错、层错等微观结构息息相关。近年来机器学习势函数的出现让我们看到了弥合这一鸿沟的曙光。它不像传统势函数那样依赖预设的物理模型而是像一个“学霸”通过“阅读”大量高精度的DFT计算结果自己总结出原子间相互作用的复杂规律。其中矩张量势作为一种基于系统性张量展开的机器学习势因其严格的旋转、平移和排列不变性以及在精度和效率间的良好平衡受到了广泛关注。那么一个为Ni-Al合金精心训练的MTP到底能不能担此大任它能否准确捕捉空位、空位团簇、反位缺陷这些“微观破坏者”的形成与演化又能否精确描绘堆垛层错这张决定材料塑性变形的“能量地图”这正是我们本次工作的核心。我们不仅仅是在测试一个势函数更是在探索机器学习方法在描述复杂材料体系缺陷物理时的能力边界、优势与潜在的陷阱。对于从事合金设计、核材料、高温结构材料研究的同行来说一个可靠的势函数意味着我们可以以前所未有的精度和尺度在计算机中“制备”并“测试”材料大幅加速新材料的研发进程。2. MTP模型构建与训练策略解析2.1 矩张量势的核心思想与算法优化要理解MTP为何能在精度和效率上取得平衡我们需要深入其数学内核。传统MTP将每个原子i的局部环境用一组矩张量来描述这些张量由邻居原子j的相对位置向量r_ij构成。MTP的核心是将原子能量表达为这些矩张量分量的标量函数这些标量是通过将矩张量进行各种缩并类似于张量点乘得到的。然而随着所描述相互作用的复杂度即“级别” level提高独立分量的数量会组合爆炸式增长导致计算极其昂贵。我们本次工作的一个关键创新在于引入了一种基于遗传算法的优化方案对矩张量的缩并方式进行智能筛选和优化。简单来说我们不再盲目地考虑所有可能的张量缩并方式而是让算法自己去寻找那些对最终能量预测贡献最大、最有效的缩并组合。这个过程就像是为MTP这个“模型”设计最精简、最高效的“指令集”。注意这种优化并非简单的特征选择。它是在保证模型表达能力的数学完备性的前提下剔除冗余的、线性相关的或贡献微小的基函数从而在几乎不损失精度的情况下将计算速度提升近一个数量级。这对于后续进行大规模分子动力学模拟至关重要。具体操作上我们使用了一个包含4-body交互level16的基组。经过遗传算法优化后独立矩张量分量的数量从传统方法的数千个减少到几百个。这意味着在每次力计算中需要评估和组合的项数大大减少。实测表明在相同的精度要求下优化后的MTP力场调用速度比优化前快了近10倍。这为后续开展包含数千个原子、数纳秒时长的缺陷扩散模拟扫清了性能障碍。2.2 训练集构建覆盖相空间的艺术一个机器学习模型的性能上限很大程度上由其训练数据决定。对于旨在描述复杂缺陷的MTP训练集必须尽可能广泛地覆盖Ni-Al合金在相图、成分、缺陷构型以及原子局部环境上的多样性。我们的训练集主要来源于主动学习框架下的分子动力学采样。具体步骤如下初始种子我们首先基于Ni、Ni3Al以及一些中间成分的完美晶体结构在高温最高至2500 K下运行短时间的AIMD模拟采集原子轨迹。高温有助于原子获得足够的动能探索更丰富的局部构型。主动学习迭代将初始轨迹的构型输入MTP进行预测同时用DFT计算这些构型的真实能量、力和应力。比较两者的差异筛选出MTP预测误差通常基于最大力误差或能量误差超过预设阈值的构型。构型增强将这些“难例”构型加入训练集重新训练MTP。然后用更新后的MTP开启新一轮MD采样再次寻找预测不准的构型。如此循环直至在验证集上的误差收敛到满意水平。针对性缺陷采样除了无偏的MD采样我们还手动构建了包含点缺陷单空位、双空位、三空位、反位缺陷和平面缺陷不同剪切矢量的堆垛层错的超晶胞模型并用DFT计算其能量将这些明确针对缺陷的数据点加入训练集。这对于准确预测缺陷形成能至关重要。最终我们的训练集包含了约15,000个构型涵盖了从完美晶体到各种缺陷、从低温到高温、从富Ni到富Al的广阔相空间。验证集则包含约3,000个未参与训练的独立构型用于客观评估模型的泛化能力。2.3 精度验证与DFT的终极对标模型训练完成后首要任务是与“金标准”DFT进行全面的对标。我们计算了训练集和验证集上能量、原子力、应力的均方根误差。数据集能量 RMSE (meV/atom)原子力 RMSE (eV/Å)应力 RMSE (GPa)训练集2.240.0290.11验证集1.640.0280.09这个结果非常令人鼓舞。首先验证集的误差普遍略低于训练集说明模型没有过拟合泛化性能良好。其次关键指标原子力的RMSE达到了0.028 eV/Å的水平。这是什么概念在分子动力学模拟中原子力直接决定了原子的运动轨迹和体系的动力学性质。通常认为力误差在0.05 eV/Å以下就可以用于可靠的分子动力学模拟。我们的MTP显然满足了这个严苛的标准为后续研究缺陷扩散等动力学过程奠定了坚实基础。实操心得在评估MTP精度时不能只看能量误差。对于动力学模拟力的精度更为关键。同时应力的精度则关系到能否准确预测材料的弹性性质和力学响应。一个全面的误差评估报告是判断势函数是否“可用”于特定研究场景的前提。3. 基础物性预测从晶格常数到声子谱在深入复杂的缺陷世界之前我们必须确保MTP能准确复现材料的基本物理性质。这是检验一个势函数是否“物理”的试金石。我们系统计算了纯Ni和Ni3Al的多种基础物性并与DFT、广泛使用的Mishin EAM势以及实验值进行了对比。3.1 静态性质晶格常数与弹性常数我们首先关注的是平衡态性质。如表III所示MTP预测的Ni和Ni3Al的晶格常数与DFT结果几乎完全一致差异在0.01 Å以内。与实验值相比两者都略有低估。这主要源于两个因素第一实验数据是在室温下测量的而我们的计算是在0 K下进行的忽略了热膨胀效应第二也是更重要的我们使用的DFT泛函PBE本身对Ni这类具有强磁性的过渡金属在预测晶格常数时就存在系统性的轻微低估。MTP“继承”了DFT的精度也“继承”了它的系统误差。弹性性质是材料力学行为的基石。MTP在预测Ni和Ni3Al的弹性常数C11, C12, C44、体模量B、剪切模量G、杨氏模量E和泊松比ν方面与DFT结果高度吻合。例如对于Ni3AlMTP预测的C11为236.50 GPa与DFT的237.56 GPa几乎无差。相比之下EAM势虽然在弹性常数上也表现不错因为它本身就是针对这些性质拟合的但在其他更复杂的性质上就开始显现差距。3.2 能量-体积关系与声子谱能量-体积曲线反映了材料在压缩或膨胀时的响应。如图4(a)(b)所示在很宽的体积变化范围内约±10%的晶格常数变化MTP完美地复现了DFT计算出的能量-体积曲线。而EAM势在偏离平衡体积较远时与DFT结果产生了明显的分歧。这说明MTP在描述原子间相互作用随距离变化的细节上更为精准。声子谱是晶格动力学的直接体现关系到材料的热学性质如热容、热导率和动力学稳定性。图4(c)(d)的声子色散关系对比显示MTP预测的声子谱与DFT参考结果吻合得非常好无论是声学支还是光学支的频率和形状。EAM势则在高频区出现了一定偏差。MTP的成功意味着它能够可靠地用于研究与温度相关的性质如热膨胀、自由能计算以及非谐晶格动力学效应。注意事项基础物性的准确复现是必须通过的“体检”。如果一个势函数连平衡晶格常数和弹性常数都预测不准那么用它来研究缺陷、相变等远离平衡态的过程其结果的可信度将大打折扣。在选用任何机器学习势或经验势之前务必检查其在这些基础测试上的表现。4. 点缺陷 energetics 的精准描绘4.1 单空位与空位团簇点缺陷特别是空位是材料中原子扩散的载体对蠕变、辐照损伤、时效析出等过程有决定性影响。我们系统计算了Ni和Ni3Al中各种点缺陷的形成能和结合能。单空位形成能在纯Ni中MTP预测的单空位形成能为1.425 eV与DFT结果1.425 eV完全一致也落在实验值1.4-1.74 eV的分散范围内。在Ni3Al中MTP预测的Ni空位和Al空位形成能分别为1.588 eV和1.710 eV表明形成Ni空位相对更容易。这与实验给出的平均形成能1.6±0.2 eV相符。EAM势虽然数值接近但其预测的Ni3Al中Al空位形成能1.544 eV甚至低于Ni空位1.773 eV这与DFT和物理直觉Al原子通常更易形成空位相悖。双空位结合能双空位的结合能揭示了空位间的相互作用是吸引还是排斥。在纯Ni中MTP准确预测了第一近邻1NN双空位具有微弱的吸引作用结合能0.015 eV而第二、三近邻则变为排斥。在Ni3Al中情况更为复杂两个Ni空位在1NN处排斥在2NN处吸引而一个Ni空位和一个Al空位在1NN和2NN处都表现为排斥。MTP成功地捕捉到了所有这些细微的符号和趋势而EAM势在部分情况下给出了错误的符号如Ni3Al中2NN Ni空位对的结合能。三空位构型搜索为了进一步挑战MTP我们在一个3×3×3的超胞中对Ni和Ni3Al中所有可能的对称不等价三空位构型进行了 exhaustive search分别有144和280种构型。如图6所示MTP不仅复现了DFT计算出的三空位形成能/结合能的整体分布趋势还准确预测了能量最低最稳定和最高最不稳定的构型。例如在Ni中最稳定的三空位是在{111}面上形成三角形构型次稳定的是沿111方向排成一条线。这些细节的吻合证明了MTP在描述多体相互作用和复杂局部环境方面的强大能力。4.2 反位缺陷与空位迁移反位缺陷在Ni3Al这类有序金属间化合物中Ni原子占据Al位NiAl或Al原子占据Ni位AlNi的反位缺陷对其力学性能有重要影响。MTP预测的AlNi反位缺陷形成能为0.957 eVNiAl为0.159 eV与DFT结果1.081 eV和0.033 eV在量级和相对大小上一致。而EAM势严重高估了AlNi的形成能1.436 eV甚至错误地预测NiAl的形成能为负值-0.168 eV这在物理上是不合理的意味着反位会自发大量形成。空位迁移势垒我们采用爬坡弹性带方法计算了空位迁移的最小能量路径和势垒。如图5所示MTP预测的迁移势垒曲线与DFT高度吻合。在纯Ni中MTP给出的空位迁移势垒为1.000 eV与DFT相同。EAM势则普遍高估了迁移势垒Ni中为1.195 eV尽管其Ni的数值更接近某些实验值~1.24-1.38 eV但这很大程度上是因为该EAM势在拟合时特意包含了迁移势垒作为目标。一个值得注意的发现是DFT和MTP都预测Ni3Al中的空位迁移势垒低于纯Ni这意味着空位在Ni3Al中可能扩散得更快。深度解析MTP在点缺陷描述上超越EAM的关键在于其“表达能力”。EAM势的函数形式相对简单依赖于电子密度等近似难以精确描述缺陷周围严重的晶格畸变和复杂的电荷重排。而MTP通过机器学习从DFT数据中直接学到了这种复杂的能量面因此对于训练集充分覆盖的缺陷类型其预测精度可以非常接近DFT。然而这也对训练集的质量提出了极高要求——如果训练数据中缺乏某种缺陷的充分采样MTP在该缺陷上的预测就可能出现较大偏差正如我们在涉及Al空位的三空位构型中观察到的那样。5. 空位团簇的基态构型与神奇尺寸空位在辐照或变形条件下会聚集形成团簇如空位环、堆垛层错四面体或空洞这些团簇对材料的力学性能如硬化、脆化有深远影响。确定不同尺寸空位团簇的最稳定构型是一个极具挑战性的问题因为可能的构型数量随空位数量指数增长而DFT计算大尺寸团簇成本过高。我们利用训练好的MTP在一个包含2048个原子8×8×8超胞的Ni体系中系统搜索了从单空位到24空位团簇的基态构型。主要方法是对空位环和空洞构型进行穷举搜索对SFT及其他可能构型则采用分子动力学退火模拟来寻找能量最小值。研究结果揭示了一些非常有趣的规律图9103空位最稳定构型是空位环三角形。4和8空位最稳定构型是空洞。5空位形成一个6空位空洞构型并在中心附近伴随一个自间隙原子。6 10 15 21空位最稳定构型是完美的堆垛层错四面体构型。这些尺寸被称为“神奇尺寸”因为它们能形成完整、无悬挂键的SFT结构能量上特别有利。其他尺寸如7 9 11-14等其最稳定构型也是SFT但并非完美通常带有一个邻近的空位可以看作是在某个神奇尺寸的SFT基础上添加或缺失一个空位。这项工作清晰地展示了MTP在大规模体系构型搜索中的威力。它不仅能给出能量排序还能直观地给出原子构型帮助我们理解团簇的稳定化机制。例如SFT的稳定性源于其通过层错面重构有效地消除了大部分悬挂键降低了体系能量。6. 空位团簇的扩散动力学一个意外的发现静态能量分析之外我们更关心这些缺陷在高温下的动态行为。我们在800 K下对包含相同空位浓度12个空位但以不同团簇形式单空位、双空位、三空位、四空位、六空位存在的Ni体系进行了2纳秒的分子动力学模拟并计算了每个体系的均方位移。结果出人意料图11单空位在800 K下几乎不移动整个轨迹中仅观察到一次跳跃。双空位和六空位团簇保持结构稳定未发生分解。三空位和四空位团簇不稳定三空位在几次迁移后分解为一个双空位和一个单空位四空位先分解为一个三空位和一个单空位随后三空位进一步分解。因此在模拟后期双空位、三空位、四空位体系的MSD曲线斜率几乎相同因为其扩散主力都变成了双空位和单空位。扩散冠军具有SFT结构的六空位团簇6v-SFT扩散最快这个发现颠覆了“缺陷越大越不移动”的简单认知。为了探究6v-SFT快速扩散的机理我们进行了更细致的分析。发现6v-SFT存在两种中心对称的构型。在0 K下这两种构型之间转换的势垒非常低仅有约0.4 eV。在800 K的MD模拟中我们观察到了这两种构型之间的频繁、快速转换。通过滤波处理轨迹以消除热振动噪声我们捕捉到了其独特的迁移机制图12。在构型转换的瞬间SFT核心区域的一个原子会发生一次快速、长程的“跳跃”跨越整个团簇核心区域然后在几飞秒内返回。这个过程仿佛在团簇中心短暂地打开了一个“通道”极大地促进了原子的协同运动。在一次持续约500 ps的亚稳态期间这种快速原子迁移持续发生导致整个包含117个原子的SFT团簇质心移动了约17 Å。一旦团簇恢复到稳定的6v-SFT构型这种快速迁移便停止。实操心得这个案例生动地说明了动力学模拟的重要性。静态能量最低的构型不一定在动力学上最“懒惰”。复杂的多体协同运动机制可能带来意想不到的快速扩散行为。机器学习势函数使得在原子尺度上观测并理解这类复杂动力学过程成为可能这是传统经验势难以企及的。7. 平面缺陷广义堆垛层错能面堆垛层错能是理解材料塑性变形、位错分解和孪生行为的关键参数。我们计算了Ni和Ni3Al密排面111的广义堆垛层错能面。7.1 计算方法与结果采用剪切别名法在六层厚的超胞中对111面沿[1-10]和[11-2]方向施加不同的剪切位移计算每个位移下的能量增量即GSFE。对于DFT我们在16×26的网格上计算而对于MTP和EAM我们使用了更密的120×120网格来获得平滑的能量面。从图13的等高线图和表V的数据可以看出MTP与DFT高度一致无论是Ni还是Ni3AlMTP预测的GSFE面在低能区域如本征层错ISF、反相畴界APB附近与DFT几乎重合。在高能区域误差有所增大这是因为无偏MD采样很难充分覆盖这些能量不利的构型导致训练数据不足。优于EAMMTP的整体表现明显优于EAM势特别是在Ni3Al的高能区域EAM的预测偏差较大。关键参数MTP预测的Ni的本征层错能γ_ISF为115 mJ/m²Ni3Al的复杂层错能γ_CSF为196 mJ/m²反相畴界能γ_APB为235 mJ/m²超点阵本征层错能γ_SISF为73 mJ/m²。这些值与DFT结果及分散的实验/文献数据基本相符。7.2 位错分解机制通过分析GSFE面上的最小能量路径我们可以推断位错的分解方式在纯Ni中一个全位错1/2[1-10]会分解为两个肖克利不全位错1/6[2-1-1]和1/6[1-21]中间夹着一片本征层错。这是一个典型的面心立方金属的位错分解模式。在Ni3Al中由于存在有序结构一个[1-10]超点阵位错首先分解为两个1/2[1-10]位错中间被反相畴界隔开。然后每个1/2[1-10]位错再进一步分解为两个肖克利不全位错中间夹着复杂层错。这些预测与文献中基于DFT和实验观察的位错理论完全一致证明了MTP在描述平面缺陷和位错核心结构方面的可靠性。注意事项在计算Ni3Al的反相畴界能时我们发现几何理想的APB构型在经过结构弛豫后原子位置会发生微小偏移能量进一步降低。因此我们采用了弛豫后的能量最小值作为γ_APB这导致我们的计算值163 mJ/m²DFT低于一些文献报道的未弛豫或不同计算方法的数值。在比较不同工作的层错能时需要特别注意计算方法和弛豫细节。8. 极限测试熔点预测与模型局限性8.1 熔点预测作为对MTP模型外推能力的终极测试我们采用固液共存法预测了Ni和Ni3Al的熔点。我们构建了包含8000个原子、具有001固液界面的超胞通过分子动力学模拟寻找两相共存的温度。NiMTP预测的熔点约为1597 K低于实验值1728 K。Ni3AlMTP预测的熔点为1630 K与实验值1645 K吻合得很好。需要强调的是我们的训练集中并没有刻意包含任何熔体或液固界面的结构。MTP能够相对准确地预测熔点尤其是对于成分和结构更复杂的Ni3Al这充分展示了其出色的外推能力。对于纯Ni的偏差可能源于PBE泛函本身对Ni的熔化性质预测存在系统误差以及磁性效应的缺失。8.2 模型局限性与挑战尽管MTP在多数测试中表现优异但我们也在工作中清晰地认识到了其当前的局限性对能量接近的缺陷构型分辨力不足当不同缺陷构型的形成能差异非常小如小于0.03 eV/atom时MTP可能无法准确判断它们的相对稳定性顺序。这要求MLIP的精度需要达到meV/atom级别而这通常需要更复杂的基组会牺牲计算效率。训练集覆盖度决定预测上限对于训练数据采样不足的区域如涉及大量Al空位的复杂团簇MTP的预测误差会增大。这凸显了通过主动学习持续扩展和优化训练集的重要性。继承DFT的系统误差MTP的精度上限受限于其训练数据——DFT计算。例如使用PBE泛函可能导致表面能、空位形成能的系统偏差这些偏差会被MTP学习并继承。计算效率与精度的权衡虽然我们的遗传算法优化大幅提升了效率但相比于最简单的EAM势MTP的计算成本仍然高出1-2个数量级。在需要极长时程或极大体系模拟时需权衡精度与成本。9. 总结与展望通过这项系统性的研究我们验证了基于遗传算法优化的矩张量势在描述Ni-Al合金体系特别是其复杂缺陷物理方面的强大能力。它不仅能够高精度地复现DFT级别的各种基本物性晶格、弹性、声子、熔点更能准确地预测点缺陷、空位团簇的形成/结合能、迁移势垒以及平面缺陷的层错能面。在动态行为上它揭示了6v-SFT团簇独特的快速扩散机制这是传统模拟方法难以发现的。与广泛使用的Mishin EAM势相比MTP展现出了全面的优势。EAM势在拟合目标属性上表现良好但对于未在拟合目标中的复杂缺陷如特定构型的空位团簇、层错能面细节其误差可能很大。MTP则提供了一种更通用、更可靠的解决方案。当然没有完美的模型。当前MTP的挑战在于如何以可接受的计算成本将精度推向meV/atom量级以分辨能量极其接近的构型以及如何通过更智能的主动学习策略确保训练集能覆盖所有感兴趣的区域。这项工作为开发面向Ni-Al合金的通用型机器学习势函数奠定了坚实基础。未来的方向很明确将当前模型与主动学习框架深度结合在模拟中动态发现并补充新的、难以预测的构型到训练集中不断迭代优化。同时将研究拓展到更广泛的成分范围、更多的缺陷类型如位错、晶界以及更极端的环境条件如高温高压、辐照最终构建一个真正“无所不能”的Ni-Al合金原子模拟利器。对于材料模拟实践者而言这项研究提供了一个完整的范例——如何严谨地评估一个MLIP理解其能力边界并有效地将其应用于解决实际的科学问题。