Atomistische Modellierung in der Materialwissenschaft wird zunehmend durch maschinell gelernte Potentiale dominiert, um die hohen Rechenkosten der Dichtefunktionaltheorie zu vermeiden. Zwar existiert mittlerweile erprobte Software und theoretisches Verständnis hinter solchen maschinell gelernten Potentialen, aber das Wissen um die dafür nötigen Trainingsdaten fehlt noch. Die Generierung solcher Trainingsdaten sind daher noch immer der Engpass bei dem Erstellen neuer Potentiale. Diese Arbeit stellt eine systemübergreifende und automatisierte Methode, ASSYST, zur Generierung jener Trainingsdaten vor. Die Methodik und damit erzeugten Potentiale werden im technologisch relevanten Legierungssystem Mg/Al/Ca gründlich getestet und angewendet, um die Thermodynamik verschiedener Phasen und Defekte tiefer zu beleuchten. Dabei wird deutlich, dass diese Potentiale außerordentlich stabil und übertragbar sind und routinemäßige Anwendung mit hoher Genauigkeit ermöglichen.
Marvin Poul (Thu,) studied this question.