Phys. Rev. Lett.报道 机器学习或成开发难熔材料利器！突破X射线、中子衍射、AIMD的限制

【背景介绍】

难熔氧化物是高温陶瓷材料、热障涂层和核应用的重要组成部分，它们的高熔化温度（T_m>1500 ℃）不仅使耐火材料具有绝缘性和防止氧化的能力，而且还可在恶劣环境中使用。因此，识别熔点附近的相变和结构重排是很重要的。其中，X射线粉末衍射是材料表征的主要手段，其提供了与不同大气中的相变有关的晶体相、热膨胀和体积变化的数据。中子粉末衍射也提供了有价值的结构信息，特别是对氧等较轻元素，但是通常需要较大的样品和较长的计数时间。然而，在高于2000 ℃下，用于X射线和中子衍射实验的合适容器很少。在计算建模方面，从头算分子动力学模拟（AIMD）提供了具有量子力学精度的原子尺度分辨率，但是受到模拟时间短、系统规模小的限制。机器学习原子间电势（ML-IP）保持了与从头计算相似的精度，同时在更大的系统规模（通过线性标度）和时间尺度上提供与经典原子间电势相当的原子分辨率。主动学习是机器学习的一个子领域，其中无监督机器学习以最少的训练配置得到最优的有监督机器学习模型（ML-IP）。

【成果简介】

近日，美国阿贡国家实验室Chris J. Benmore（通讯作者）等人报道了一种闭环主动学习方案，在极端条件下将实验和理论建模的进展结合起来，并且依次改善机器学习模型，直到覆盖实验预定的相空间为止。该方案包括三个部分：（1）在不超过熔融温度的条件下进行实验测量难熔氧化物样品。模型结构适合于在不同参考温度下每个相的中子和X射线衍射测量。原位高能X射线衍射用于获得随温度变化的晶胞体积。（2）通过模型结构初始化的主动学习方案驱动了在实验测量区域上的相空间探索。（3）生成的ML-IP可以通过主动学习方案进行迭代改进。为证明此方法，作者考虑了一种传统的耐火氧化物—二氧化铪（HfO₂）（与研究最多的ZrO₂陶瓷是同质结构）。在加热后，HfO₂经历从单斜相（m-HfO₂）到四方相（t-HfO₂）到立方相（c-HfO₂）的转变，然后在2800 °C熔化。该方法显着降低了模型开发时间和人力成本。研究成果以题为“Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide”发布在国际著名期刊Phys. Rev. Lett.上。

【图文解读】

图一、实验驱动的工作流程
（1）利用单轴激光加热系统，在空气动力学悬浮的HfO₂样品上测量了宽温度范围内的高能x射线和中子衍射图；

（2）基于聚类的主动学习能在广泛的相空间中进行探索；

（3）迭代训练和拟合方法为（2）提供反馈。

图二、在氩气气氛中测量的HfO2的单斜相（五边形）、四边相（三角形）和立方相（正方形）的晶胞体积

图三、不同形态HfO₂的表征
（a）X射线衍射图与GAP MD计算的两个高温相的X射线强度（λ=0.123-59 Å）相比，衍射与模拟数据的关系；

（b）非晶态和液态HfO₂的实验和模拟X射线结构因子；

（c）纯HfO₂相的实验和模拟中子对分布函数。

【小结】

综上所述，作者一个自动化、实验驱动的方案，并且用于生成典型难熔氧化物（HfO₂）的多相ML-IP证明了该概念。该方法具有以下明显的优点：（1）可以从凸包构造或从诸如USPEX的进化策略中获得用于初始化从头算的稳定结构。（2）该方法通过与实验测量数据直接相连，消除了训练ML-IP所需的采样相空间的歧义。（3）通过实验测量直接验证模型。（4）主动学习可确保从头开始就需要稀疏配置才能达到ML-IP。结果表明，多相电势能够从头开始精确地重现HfO₂从室温到熔体的结构和动力学性质。模拟结果的准确性仅受用于生成训练数据的从头算方法的选择所限制，并且可以通过选择更准确的量子化学技术来系统地提高。最后，自动化方案为研究其他难熔氧化物和类似材料类别提供了一个系统的途径。

文献链接：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编译。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱：tougao@cailiaoren.com.

投稿以及内容合作可加编辑微信：cailiaokefu.