使用机器学习电位的镁中的氢扩散：一项比较研究

快速阅读: 据《Nature.com》最新报道，研究揭示了氢在镁等材料中的复杂动力学行为，验证了机器学习方法的准确性，为氢存储材料研发和复杂系统研究提供了新思路，助力可持续能源发展。

总之，我们的研究通过严谨而高效的方法，全面刻画了氢在结构化环境（如纯镁）中的动力学特性和迁移能力，并在不同温度下进行了系统研究。我们对比了贝叶斯方法与等变性及图神经网络（如MACE和CHGNet），并探讨了不同的训练模式（通用和微调）。结果与实验数据高度一致，验证了扩散系数和活化能值的估算。研究结果表明，在机器学习力场（MLFF）在线训练过程中收集的VASP-DFT构型代表了一组完整的构型，能够准确建模氢与镁原子之间的相互作用。这一策略可用于生成全面的数据集，以适当地训练现有或未来的势函数。实际上，我们发现预训练的通用势（UIPs）在研究含有扩散缺陷的材料时存在局限性，因为其数据集缺乏代表性高温、缺陷和亚稳态。特别是，我们展示了最先进的机器学习模型在经过主动学习的DFT构型微调后达到了DFT级精度，强调了高效数据集构建方法及其质量的重要性。具体来说，包括缺陷态和过渡态构型的重要性，以及迁移学习的作用，使预训练模型能够适应新系统。所得结果为不同氢浓度下的集体动力学特性提供了宝贵见解，准确预测了氢迁移性随浓度增加而降低的趋势。此外，氢对分布的统计分析表明，系统在较高温度下接近随机分布。然而，在低迁移率条件下，要实现室温下的平衡和泊松行为，需要更长的模拟时间。

这些进展不仅提升了我们对镁中氢相互作用的理解，还为未来更广泛的多组分系统和缺陷成分的研究奠定了基础。这对具有复杂势能面的系统尤为重要，因为在这些系统中，传统的从头算方法变得不切实际。通过机器学习加速的分子动力学成功模拟了镁中的氢扩散机制，这可能有助于研究和发现新的、更高效的氢存储材料以及其他领域，从而推动向更绿色、更可持续的能源未来的转变。

—

**总结：**
这项研究通过严谨且高效的方法，揭示了氢在镁等结构化环境中复杂的动力学行为。通过对多种机器学习模型的对比分析，研究团队验证了其方法的准确性，并为氢扩散机制提供了深入洞见。这一成果不仅为氢存储材料的研发铺平了道路，也为复杂系统的理论研究提供了全新思路，助力全球迈向更可持续的能源未来。

(以上内容均由Ai生成)