고체 석출 위한 머신러닝 원자간 포텐셜

머신러닝 원자간 포텐셜(MLIP)은 다양한 원자 현상 모델링에 활용되지만, 고체상 변태를 정확히 포착하도록 매개변수화하는 데는 어려움이 있습니다. 본 연구는 다성분 합금의 석출 모델링을 위한 MLIP 매개변수화를 효율화하고자 오류 측정 기준과 데이터 생성 방안을 제시합니다. 우리는 서로 다른 모결정 구조의 화학적 배열을 연결하는 대칭적으로 구별되는 변태 경로를 열거하는 알고리즘을 개발했습니다. 또한, 저온 열역학 예측에서 MLIP의 정확도를 정량화하기 위한 지표로 가중 켄달-타우 계수와 그 준-준정준 앙상블 일반화를 도입했습니다. 이러한 접근법을 희석 Mg-Nd 합금의 MLIP 매개변수화에 적용한 결과, 실험에서 관찰된 복잡한 초기 단계 석출 거동을 성공적으로 재현했습니다. 대규모 원자 시뮬레이션은 질서-무질서 변태와 구조 변태 간의 경쟁을 보여주었습니다. 나아가, 이 결과는 시효 열처리 동안 고대칭의 hcp 및 bcc 결정 구조 사이의 연속적인 전이가 일어남을 시사합니다. 본 연구는 MLIP를 이용한 고체상 변태 모델링의 정확도를 높이는 데 기여할 것입니다.