论文部分内容阅读
计算水平的飞速发展使得人们可以通过模拟计算的方法获取所需材料的性质参数,用于材料研发和改性。基于密度泛函理论(density functional theory,DFT)的第一性原理(first-principles,FP)方法(DFT-FP)能给出精度很高的数据,成为常用的模拟计算方法。虽然DFT-FP大大推动了材料科学的发展,但是DFT-FP计算量大且耗时,对计算资源需求高。近年来,随着数据量的不断积累,机器学习(machine learning,ML)方法被逐渐应用于材料科学,有可能极大地改变和提高材料科学中性质参数的计算效率,加速材料科学的发展和进步。本文使用DFT-FP和基于支持向量机(support vector machine,SVM)的ML方法(SVM-ML),系统研究了金属中过渡金属(transition metal,TM)替代型溶质与氢/氦/碳/氮/氧等间隙型溶质之间的相互作用以及TM溶质的扩散行为,探索ML方法在该领域的应用。主要内容和结果如下:应用DFT-FP研究了金属钨中TM溶质与氧的相互作用,建立了表征TM溶质与氧以及空位-氧团簇相互作用的结合能数据库,为后续SVM-ML研究提供了数据支持。通过结合弹性和电子相互作用分析了 TM溶质与氧相互作用的物理机制,发现对于较小的TM溶质弹性相互作用起主导地位,而对于较大的TM溶质电子相互作用起主导地位,为后续ML特征选择提供了物理基础。结合本文DFT-FP计算结果以及课题组前期计算数据和文献数据,获得表征金属中替代溶质与间隙溶质相互作用的结合能数据集,并使用SVM-ML对其进行研究。根据DFT-FP物理机制分析结果,原子半径、熔点、未成对的d电子、鲍林电负性和溶质浓度等参数被选择作为基本特征集。进而对数据集进行拟合、留一交叉验证(leave-one-out cross-validation,LOO CV)和外推测试,发现 LOO CV得到的均方根误差(root mean square error,RMSE)为0.102 eV,平方相关系数(squared correlation coefficient,r2)为0.923。这表明所选特征能很好地反映结合能,印证了 DFT-FP物理机制分析结果。该研究表明SVM-ML能够以极小的计算成本预测出大量新合金体系的结合能数据,从而为后续有关的理论和实验研究提供有价值的参考。结合课题组前期数据积累和文献调研,建立了一个包含240个扩散能垒的金属中TM溶质扩散数据集,并使用SVM-ML对其进行分析。通过对特征进行优化,得到一组最优的特征组合,包括离子半径、体积模量、熔点和未成对的d电子。进而对数据集进行拟合、LOO CV和外推测试。LOO CV得到的RMSE=0.122 eV,r2=0.939,表明基于所选特征SVM-ML预测结果与DFT-FP计算结果具有很好的一致性。进一步,对16种新金属基体中的TM溶质扩散能垒进行了预测。预测值随原子序数的变化规律与文献中DFT-FP理论预测规律一致。上述研究表明SVM-ML能以极小的计算成本对材料性质参数进行预测,是提高计算效率、加速材料科学研究的一种很有前景的方法。