多组元CoCrFeNi高熵合金人工神经网络多体势的建立及初步应用

A new alloy design concept, high-entropy alloys (HEAs), has attracted increasing attentions and becomes a new research highlight recently. HEAs are multicomponent alloys containing several principle elements in equiatomic or near equiatomic ratio. Due to their unique atomic structure, HEAs possess a lot of distinguished properties. Because of the characteristics of multi-principle elements, it is difficult to develop the corresponding high-precision empirical potential function for HEAs. Artificial neural network is a kind of machine learning method with flexible function form, which is the basis of fitting neural network many-body potential. Thus, in this project, we fit the artificial neural network multi-body potential for the HEA of CoCrFeNi. And through the preliminary application of the potential, we study the pressure, temperature, and deformation behavior effect on the structure and properties for HEA of CoCrFeNi, which expected to give guidance for the experiments.

作为新的合金设计理念，高熵合金成为近年的研究热点。高熵合金由多种元素以等原子比或近等原子比的成分组成，具有独特的原子结构特征，因而呈现出诸多不同于传统合金的独特性能。然而，由于多主元素特点，让开发高熵合金的相应的高精度经验势函数十分困难。人工神经网络是机器学习方法的一种，具有灵活的函数形式，这是神经网络拟合多体势的基础。本项目采用人工神经网络方法，对CoCrFeNi高熵合金体系进行多体势的构建。通过初步应用神经网络多体势，研究压力、温度、变形行为对CoCrFeNi高熵合金结构和力学性质的影响，为实验提供理论指导。

高熵合金是一种具有超凡力学性能的新型材料，它一般由多种主要元素组成，因此具有特殊的微观结构，而合金结构对其性能有着至关重要的影响。本项目采用图神经网络(GNN)方法，进行CoCrFeNi高熵合金体系的力场（势函数）构建。图神经网络是一类基于深度学习的处理图域信息的方法，图神经网络力场(GNNFF)框架，通过直接使用自动提取的结构特征来预测原子力，绕过了计算速度瓶颈。. 值得一提的是，项目计划书中拟采用的构建力场的机器学习方法是“神经网络模型”，在项目执行过程中，由于高熵合金多主元素特点，模型遇到了计算速度的瓶颈。我们改进机器学习方法，用“图神经网络”取代“神经网络”。由于高熵合金图神经网络力场(GNNFF)的搭建，是一个很难的工作，很耗时。在进行的同时，我们利用熟练掌握的机器学习方法，展开跨方向交叉合作，也是本项目成果。. 通过三年的研究，基本上完成了项目计划书中的预定目标任务，部分数据已经发表。项目共发表学术论文2篇，另有1篇投稿Physical Review Letters，已过初审。. 在已经发表的研究工作中，一些比较有特色的成果如下：. 1，为了准备机器学习数据集，采用第一性原理计算对CoCrNix中熵合金和CoCrNiTix中熵合金进行了模拟。也结合实验对CoCrNix和CoCrNiTix中熵合体系的晶体结构、力学性能等进行研究。结果表明，在CoCrNix体系合金中，合金随着Ni含量的降低由单一FCC相，逐渐变为FCC和HCP共存的结构。合金的塑性随着Ni含量的减小而降低，与实验结果吻合。. 2，基于已掌握机器学习方法研究统计物理模型的相变，几个统计物理模型包括伊辛模型、XY 模型、广义 XY 模型，主要使用主成分分析算法及其变种核主成分分析和扩散映射三种算法等降维算法和聚类指标 Calinski-Harabaz 指标来寻找物理模型的相变点。