Resumo A previsão precisa de diagramas de fase de materiais a partir de princípios fundamentais continua sendo um desafio central na ciência dos materiais computacional. Potenciais interatômicos de aprendizado de máquina podem fornecer precisão próxima ao DFT a uma fração do custo, mas sua confiabilidade depende crucialmente da disponibilidade de dados de treinamento representativos que abrangem todas as regiões relevantes da superfície de energia potencial. Aqui, apresentamos uma estratégia de aprendizado ativo (AL) totalmente automatizada baseada na amostragem aninhada de troca de réplicas (RENS) para a geração de dados de treinamento e o cálculo de diagramas de fase completos de pressão-temperatura. Em nossa estrutura, a RENS atua como motor de exploração e mecanismo de aquisição: sua diversidade intrínseca e amostragem restrita por probabilidade garantem que as configurações selecionadas para rotulagem DFT sejam tanto informativas quanto termodinamicamente representativas. Aplicamos a abordagem ao silício, germânio e titânio usando potenciais treinados no nível de teoria r2SCAN. Para todos os sistemas, o processo de AL converge em ~ 10-15 iterações, resultando em potenciais transferíveis que reproduzem transições de fase conhecidas e tendências termodinâmicas. Esses resultados demonstram que o AL baseado em RENS fornece uma rota geral e autônoma para a construção de potenciais interatômicos de aprendizado de máquina e previsão de diagramas de fase de princípios fundamentais em condições termodinâmicas amplas.
Unglert et al. (Qui,) estudaram essa questão.