前沿透视： 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

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（Tm>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。

近日，美国阿贡国家实验室Chris J. Benmore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。

文献链接：

Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide，Phys. Rev. Lett.，2021

原文链接：

http://www.cailiaoniu.com/222609.html