Von Elektronen zu Phasendiagrammen mit Maschinenlern-Potenzialen unter Verwendung von pyiron-basierten automatisierten Arbeitsabläufen

Zusammenfassung: Wir präsentieren ein umfassendes und benutzerfreundliches Framework, das auf der integrierten Entwicklungsumgebung (IDE) pyiron basiert und Forschern ermöglicht, den gesamten Entwicklungszyklus von Maschinenlern-Potenzialen (MLP) durchzuführen, der aus (i) der Erstellung systematischer DFT-Datenbanken, (ii) der Anpassung der Dichtefunktionaltheorie (DFT) Daten an empirische Potenziale oder MLPs und (iii) der Validierung der Potenziale in einem weitgehend automatisierten Ansatz besteht. Die Leistungsfähigkeit dieses Frameworks wird für drei konzeptionell sehr unterschiedliche Klassen von interatomaren Potenzialen demonstriert: ein empirisches Potenzial (eingebettete Atommethode - EAM), neuronale Netze (hochdimensionale neuronale Netzwerkpotenziale - HDNNP) und Erweiterungen in Basis-Sets (atomare Clustererweiterung - ACE). Als fortgeschrittenes Beispiel für Validierung und Anwendung zeigen wir die Berechnung eines binären Kompositions-Temperatur-Phasendiagramms für Al-Li, ein technologisch wichtiges Leichtmetalllegierungssystem mit Anwendungen in der Luft- und Raumfahrtindustrie.