Improving accuracy of artificial neural networks used to reproduce potential energy surface in BCC multi-component alloys

BCC多成分合金のポテンシャルエネルギー面を再現するために使用される人工ニューラルネットワークの精度の向上

Lobzenko, I.   ; 都留 智仁   

Lobzenko, I.; Tsuru, Tomohito

人工ニューラルネットワーク(ANN)の利用は、ここ数十年で科学分野の大部分に広がっている。特に材料の機械的特性の原子レベルモデリングは、第一原理計算から得られた大規模データセットでトレーニングされたANNベースの機械学習ポテンシャル(MLP)が、新しい複雑な材料のポテンシャルエネルギー面を再現する上で重要な役割を果たしている。多成分合金(MCA)などの材料の場合、信頼性の高い原子レベルモデリングは、ANNのフィッティング能力の活用が期待されているが、ANNで構築された原子間ポテンシャルの高精度かつ堅牢性を実現するには、大規模データセットが必要であるだけでなく、ネットワークのアーキテクチャとトレーニングプロセスを材料ごとに最適化する必要がある。そこで本研究では、MoNbTaVWおよびZrNbTaTiHf合金に基づくMCAなどの一連の底心立方(BCC)材料の新しく構築されたMLPを用いて機械的特性をモデル化した。MoNbTaにおけるMLPを用いた転位運動のモデリングについて検討した結果、単相BCC金属に見られる通常の110滑り面とは異なる、特異な(112)滑り面が見出されることを明らかにした。

In the atomistic modeling of mechanical properties of materials, machine-learning potentials (MLPs) based on ANNs, trained on large datasets obtained from first-principles calculations, found their place in reproducing the potential energy surface of new complicated materials. For materials such as multi-component alloys (MCA), reliable atomistic modeling is only possible by utilizing the fitting power of ANNs. However to achieve high accuracy and robustness of interatomic potentials built with ANNs, not only a large dataset is needed, but also the architecture of the network and the training process should be curated for each material. In the present study we model the mechanical properties by using newly built MLPs of a set of base-centered cubic (BCC) materials, such as MCAs based on MoNbTaVW and ZrNbTaTiHf alloys. As one of the of results, the modeling of dislocation movement with MLPs in MoNbTa is discussed. The unusual (112) slip plane, which is different from the usual 110 slip plane in single BCC metals, was found.