Phys. Rev. Lett.報道 機器學習或成開發難熔材料利器！突破X射線、中子衍射、AIMD的限制

【背景介紹】

難熔氧化物是高溫陶瓷材料、熱障涂層和核應用的重要組成部分，它們的高熔化溫度（T_m>1500 ℃）不僅使耐火材料具有絕緣性和防止氧化的能力，而且還可在惡劣環境中使用。因此，識別熔點附近的相變和結構重排是很重要的。其中，X射線粉末衍射是材料表征的主要手段，其提供了與不同大氣中的相變有關的晶體相、熱膨脹和體積變化的數據。中子粉末衍射也提供了有價值的結構信息，特別是對氧等較輕元素，但是通常需要較大的樣品和較長的計數時間。然而，在高于2000 ℃下，用于X射線和中子衍射實驗的合適容器很少。在計算建模方面，從頭算分子動力學模擬（AIMD）提供了具有量子力學精度的原子尺度分辨率，但是受到模擬時間短、系統規模小的限制。機器學習原子間電勢（ML-IP）保持了與從頭計算相似的精度，同時在更大的系統規模（通過線性標度）和時間尺度上提供與經典原子間電勢相當的原子分辨率。主動學習是機器學習的一個子領域，其中無監督機器學習以最少的訓練配置得到最優的有監督機器學習模型（ML-IP）。

【成果簡介】

近日，美國阿貢國家實驗室Chris?J. Benmore（通訊作者）等人報道了一種閉環主動學習方案，在極端條件下將實驗和理論建模的進展結合起來，并且依次改善機器學習模型，直到覆蓋實驗預定的相空間為止。該方案包括三個部分：（1）在不超過熔融溫度的條件下進行實驗測量難熔氧化物樣品。模型結構適合于在不同參考溫度下每個相的中子和X射線衍射測量。原位高能X射線衍射用于獲得隨溫度變化的晶胞體積。（2）通過模型結構初始化的主動學習方案驅動了在實驗測量區域上的相空間探索。（3）生成的ML-IP可以通過主動學習方案進行迭代改進。為證明此方法，作者考慮了一種傳統的耐火氧化物—二氧化鉿（HfO₂）（與研究最多的ZrO₂陶瓷是同質結構）。在加熱后，HfO₂經歷從單斜相（m-HfO₂）到四方相（t-HfO₂）到立方相（c-HfO₂）的轉變，然后在2800 °C熔化。該方法顯著降低了模型開發時間和人力成本。研究成果以題為“Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide”發布在國際著名期刊Phys. Rev. Lett.上。

【圖文解讀】

圖一、實驗驅動的工作流程
（1）利用單軸激光加熱系統，在空氣動力學懸浮的HfO₂樣品上測量了寬溫度范圍內的高能x射線和中子衍射圖；

（2）基于聚類的主動學習能在廣泛的相空間中進行探索；

（3）迭代訓練和擬合方法為（2）提供反饋。

圖二、在氬氣氣氛中測量的HfO2的單斜相（五邊形）、四邊相（三角形）和立方相（正方形）的晶胞體積

圖三、不同形態HfO₂的表征
（a）X射線衍射圖與GAP MD計算的兩個高溫相的X射線強度（λ=0.123-59 ?）相比，衍射與模擬數據的關系；

（b）非晶態和液態HfO₂的實驗和模擬X射線結構因子；

（c）純HfO₂相的實驗和模擬中子對分布函數。

【小結】

綜上所述，作者一個自動化、實驗驅動的方案，并且用于生成典型難熔氧化物（HfO₂）的多相ML-IP證明了該概念。該方法具有以下明顯的優點：（1）可以從凸包構造或從諸如USPEX的進化策略中獲得用于初始化從頭算的穩定結構。（2）該方法通過與實驗測量數據直接相連，消除了訓練ML-IP所需的采樣相空間的歧義。（3）通過實驗測量直接驗證模型。（4）主動學習可確保從頭開始就需要稀疏配置才能達到ML-IP。結果表明，多相電勢能夠從頭開始精確地重現HfO₂從室溫到熔體的結構和動力學性質。模擬結果的準確性僅受用于生成訓練數據的從頭算方法的選擇所限制，并且可以通過選擇更準確的量子化學技術來系統地提高。最后，自動化方案為研究其他難熔氧化物和類似材料類別提供了一個系統的途徑。

文獻鏈接：Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide. Phys. Rev. Lett., 2021, DOI: 10.1103/PhysRevLett.126.156002.

本文由CQR編譯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱：tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaokefu.