ترجمه فارسی مقاله تسریع محاسبات ویژگی ذوب اولیه با یادگیری ماشین: کاربرد در آلیاژ آنتروپی بالا TaVCrW

چکیده

Melting properties are critical for designing novel materials, especially for discovering high-performance, high-melting refractory materials. Experimental measurements of these properties are extremely challenging due to their high melting temperatures. Complementary theoretical predictions are, therefore, indispensable. The conventional free energy approach using density functional theory (DFT) has been a gold standard for such purposes because of its high accuracy. However,it generally involves expensive thermodynamic integration using ab initio molecular dynamic simulations. The high computational cost makes high-throughput calculations infeasible. Here, we propose a highly efficient DFT-based method aided by a specially designed machine learning potential. As the machine learning potential can closely reproduce the ab initio phase space, even for multi-component alloys, the costly thermodynamic integration can be fully substituted with more efficient free energy perturbation calculations. The method achieves overall savings of computational resources by 80% compared to current alternatives. We apply the method to the high-entropy alloy TaVCrW and calculate its melting properties, including melting temperature, entropy and enthalpy of fusion, and volume change at the melting point. Additionally, the heat capacities of solid and liquid TaVCrW are calculated. The results agree reasonably with the calphad extrapolated values.

چکیده به فارسی (ترجمه ماشینی)

خواص ذوب برای طراحی مواد جدید ، به ویژه برای کشف مواد با کارایی بالا و با ذوب بالا بسیار مهم است.اندازه گیری های تجربی این خصوصیات به دلیل دمای بالای ذوب آنها بسیار چالش برانگیز است.پیش بینی های نظری مکمل ، بنابراین ضروری است.رویکرد انرژی آزاد مرسوم با استفاده از نظریه عملکردی چگالی (DFT) به دلیل دقت بالا ، یک استاندارد طلا برای چنین اهداف بوده است.با این حال ، این به طور کلی شامل ادغام گران قیمت ترمودینامیکی با استفاده از شبیه سازی های پویا مولکولی Ab Initio است.هزینه محاسباتی بالا ، محاسبات با توان بالا را غیرقابل تحمل می کند.در اینجا ، ما یک روش مبتنی بر DFT بسیار کارآمد با کمک یک پتانسیل یادگیری ماشین ویژه طراحی شده پیشنهاد می کنیم.از آنجا که پتانسیل یادگیری ماشین می تواند فضای فاز Ab Initio را از نزدیک تولید کند ، حتی برای آلیاژهای چند جزء ، ادغام ترمودینامیکی گران قیمت را می توان با محاسبات اختلال در انرژی آزاد کارآمدتر جایگزین کرد.این روش در مقایسه با گزینه های فعلی ، 80 ٪ پس انداز کلی منابع محاسباتی را به دست می آورد.ما این روش را در آلیاژ آنتروپی بالا TavcRW اعمال می کنیم و خواص ذوب آن از جمله دمای ذوب ، آنتروپی و آنتالپی همجوشی و تغییر حجم را در نقطه ذوب محاسبه می کنیم.علاوه بر این ، ظرفیت حرارتی TAVCRW جامد و مایع محاسبه می شود.نتایج به طور منطقی با مقادیر برون یابی CALPHAD موافق است.