机器学习势函数MTP在Ni-Al合金缺陷模拟中的高精度应用与验证

1. 项目概述：当机器学习势函数遇上Ni-Al合金的微观世界

在计算材料学和凝聚态物理的前沿，我们这些常年与原子和电子打交道的人，一直面临着一个核心矛盾：我们渴望获得接近量子力学精度的原子间相互作用描述，但第一性原理计算（如密度泛函理论，DFT）那令人望而却步的计算成本，又让我们在模拟包含数千、数万原子或长时间尺度的体系时束手无策。传统经验势函数，比如嵌入原子法（EAM），虽然计算飞快，但其拟合形式固定，描述能力有限，尤其在处理远离拟合数据库的复杂缺陷构型、化学反应或极端条件时，其可靠性常常大打折扣。这就好比用一把固定的尺子去丈量所有形状，对于标准矩形尚可，一旦遇到复杂的曲面，误差就会大得离谱。

近年来，机器学习势函数（Machine Learning Interatomic Potential, MLIP）的崛起，为我们提供了一把“可塑形的智能尺子”。它的核心思想并不复杂：我们不预设势函数的具体数学形式，而是让机器学习模型（如神经网络、高斯过程、矩张量等）从海量的、高精度的第一性原理计算结果中，“学习”能量、力与原子构型之间的复杂映射关系。一旦训练完成，这个模型就能以接近DFT的精度，却以分子动力学（MD）般的速度，对新的原子构型进行快速评估。这其中的佼佼者之一，便是矩张量势（Moment Tensor Potential, MTP）。MTP通过将原子局域环境用一组旋转不变的矩张量来描述，再通过线性组合来拟合势能面，兼具了高精度、良好的可解释性以及不错的计算效率。

我这次分享的工作，正是将这把“智能尺子”——MTP，应用到了一个极具工程意义的体系：Ni-Al合金，特别是其有序相Ni3Al。Ni基高温合金是航空发动机涡轮叶片等关键热端部件的核心材料，其优异的高温强度、抗蠕变和抗氧化性能，很大程度上源于γ‘相（Ni3Al， L12结构）的强化作用。而这些宏观性能，微观上受控于点缺陷（空位、反位原子）和面缺陷（堆垛层错、反相畴界）的形成、演化与相互作用。例如，蠕变过程中的位错攀移离不开空位的扩散，而层错能则直接影响位错分解和交滑移的难易程度，进而决定材料的塑性。因此，能否准确预测这些缺陷的能量学，是评估一个势函数能否用于可靠服役性能模拟的“试金石”。

传统上，针对Ni-Al体系的EAM势（如Mishin势）被广泛使用，它在预测平衡态性质（如晶格常数、弹性常数）时表现尚可，因为其参数正是对这些性质进行拟合得到的。但当我们把目光投向复杂的空位团簇、不同构型的反位缺陷，或者非平衡的剪切路径（广义堆垛层错能曲面）时，EAM势的预测就开始变得不可靠，甚至出现定性错误。这正是我们引入MTP的动机：我们想要一个不仅对“简单”性质准确，更能对“复杂”缺陷保持高预测精度的势函数，从而为大规模分子动力学模拟探索合金的微观力学行为提供可信赖的工具。

接下来的内容，我将详细拆解我们构建和评估这个Ni-Al体系MTP势函数的过程。我会从模型构建的思路、训练策略讲起，然后深入到对各类点缺陷和面缺陷预测性能的逐项“压力测试”，并与DFT和传统EAM势的结果进行全方位对比。最后，我还会分享我们在应用这个势函数研究空位团簇基态构型和扩散动力学时的一些有趣发现和踩过的“坑”。希望这篇长文能为你理解MLIP在材料模拟中的应用，特别是如何严谨地评估其性能，提供一个详实的案例。

2. MTP模型构建与训练策略解析

构建一个可靠的机器学习势函数，其过程远比调用一个现成的软件包复杂。它更像是一场精心设计的“教学”过程，我们需要准备高质量的“教材”（训练集），设计高效的“教学方法”（训练算法），并最终严格“考核”学生的学习成果（验证与测试）。对于Ni-Al体系的MTP，我们的核心目标是让它不仅能复现完美晶体的性质，更要精通描述各种缺陷。

2.1 训练数据集：广度与深度的权衡

训练集的质量直接决定了MTP的“知识面”和“泛化能力”。我们的策略是主动学习（Active Learning）结合手动构建，确保采样覆盖整个我们关心的构型空间。

第一性原理计算基础：所有训练和参考的DFT计算均采用VASP软件包完成。交换关联泛函选用PBE，平面波截断能设置为520 eV，k点网格密度保证总能量收敛至1 meV/atom以内。这些是获得可靠量子力学数据的标准配置，为MTP学习提供了坚实的“真理”基准。

构型空间采样：

1. 体相与弹性变形：我们包含了Ni (fcc)、Al (fcc) 以及Ni3Al (L12) 的完美晶体。通过对这些晶体施加一系列均匀的拉伸、压缩和剪切应变，我们生成了能量-体积曲线和弹性常数计算所需的变形构型。这确保了MTP能准确描述材料的宏观力学响应。
2. 点缺陷与振动：我们在超胞中系统地引入了单空位、双空位、三空位以及反位缺陷（NiAl, AlNi）。同时，通过分子动力学模拟在从300 K到2000 K的温度范围内对超胞进行采样，捕获了原子在平衡位置附近的热振动信息，这对于学习原子受力和描述有限温度下的动力学行为至关重要。
3. 表面、界面与堆垛层错：我们构建了不同晶面的表面模型、Ni/Ni3Al相界面模型，以及通过在密排面（111）上施加不同剪切位移向量生成的广义堆垛层错（GSF）构型。这部分数据对于学习远离体相的环境描述至关重要，是预测表面能、界面能和层错能的基础。
4. 液态与非晶态：为了提升势函数对高温和极端无序状态的描述能力，我们还采样了高温液态和快速淬火得到的非晶态构型。虽然本次研究的重点在缺陷，但这些数据有助于提高势函数的整体鲁棒性。

最终，我们的训练集包含了约15,000个构型，每个构型都包含DFT计算得到的精确总能量、每个原子所受的力以及体系的应力张量。验证集则包含约3,000个独立构型，用于监控训练过程，防止过拟合。

注意：训练集的构建并非一蹴而就。我们采用了迭代的主动学习流程：先用一个较小的初始数据集训练一个“种子”MTP，然后用它来运行一些探索性的分子动力学模拟（如高温退火、拉伸模拟），将模拟轨迹中MTP预测不确定性（通过局部描述符的稀疏性等指标衡量）较高的新构型挑选出来，进行DFT计算并加入训练集。如此循环，逐步填充构型空间的“空白区域”。

2.2 MTP模型与超参数选择

我们采用了基于矩张量（Moment Tensor）描述的MTP框架。其核心思想是将中心原子i的局域环境用一组旋转不变的矩张量来描述：M_{μ,ν} = ∑_{j≠i} f_μ(|r_ij|) * (r_ij ⊗ ... ⊗ r_ij)（ν个张量积） 其中，r_ij是原子j相对于i的位置矢量，f_μ是一组径向基函数。系统的总势能则表示为这些不变量的线性组合。通过优化组合系数，来拟合DFT的能量、力和应力。

模型复杂度控制：MTP的精度和速度很大程度上由两个关键参数决定：“level”和“radial basis size”。Level决定了不变量的最大阶数（即描述原子环境的细致程度），radial basis size决定了径向函数的数量。我们通过网格搜索，在验证集上评估不同参数组合的误差。最终选择了一个在精度和效率间取得良好平衡的配置：level=16，径向基函数数量为8。这个配置足以捕捉Ni-Al体系中复杂的多体相互作用，同时保证了后续大规模分子动力学模拟的可行性。

训练与优化：训练过程即最小化MTP预测与DFT数据之间的损失函数，该函数是能量、力和应力误差的加权和。我们使用L-BFGS优化器。一个关键的技巧是损失函数中力与应力权重的设置。由于力的数据量远多于能量（每个构型有3N个力分量），且力直接决定了动力学模拟的准确性，我们给予了力较高的权重。同时，应力项的加入对于正确复现弹性性质和各类应变下的响应至关重要。

2.3 初步性能验证：与DFT的吻合度

训练完成后，我们首先在训练集和验证集上检查MTP的预测能力。下表展示了能量、力和应力的均方根误差（RMSE）：

结果解读：

1. 低误差水平：验证集的误差与训练集相当甚至略低，说明模型没有过拟合，泛化能力良好。~1.6 meV/atom的能量误差和~0.03 eV/Å的力误差，对于大多数材料模拟应用来说已经达到了“化学精度”级别，意味着MTP的势能面与DFT的势能面高度吻合。
2. 力预测精度：力的RMSE仅为0.028 eV/Å，这是一个非常出色的指标。在分子动力学模拟中，力是驱动原子运动的核心，力的高精度直接保证了动力学轨迹的可靠性，这对于研究扩散、相变等过程至关重要。
3. 应力预测：应力误差在0.1 GPa量级，这对于准确计算弹性常数、声子谱以及模拟材料在应力下的响应是足够的。

这个初步验证告诉我们，我们训练的MTP已经成功“学会”了从训练数据中映射原子构型到能量/力/应力的关系。但这仅仅是第一步，好比学生记住了课本上的例题。接下来，我们要用它去解答一系列全新的、更复杂的“考题”——预测各种独立的物理性质。

3. 基础物理性质预测：MTP的“期末考试”

一个势函数是否可靠，不能只看它对训练数据的复现能力，更要看它能否准确预测一系列未参与训练的、独立的物理性质。这就像考核学生是否真正理解了知识，而不是死记硬背。我们选取了Ni和Ni3Al的一系列基础性质作为考核项目，并将MTP的预测结果与DFT、EAM势以及实验值进行对比。

3.1 晶格常数与弹性性质

我们首先计算了体相Ni和Ni3Al在0K下的平衡晶格常数、弹性常数（C11, C12, C44）、以及由此导出的体模量（B）、剪切模量（G）、杨氏模量（E）和泊松比（ν）。结果汇总于下表：

表：Ni与Ni3Al的弹性性质预测对比 (DFT, MTP, EAM, EXP)

关键发现与讨论：

1. MTP与DFT高度一致：对于晶格常数和所有弹性模量，MTP的预测值与DFT计算结果几乎完全吻合。这说明MTP成功地从原子尺度学习了材料的键合特性，并能外推到小应变下的力学响应。
2. 与实验值的偏差：无论是DFT还是MTP，预测的晶格常数都略小于实验值（约0.3-0.5%）。这主要源于两个因素：第一，实验数据是在室温下测量的，而我们的计算是0K下的基态性质，热膨胀会导致晶格常数增大；第二，也是更重要的，我们使用的PBE泛函本身会轻微低估过渡金属的晶格常数。此外，对于Ni，PBE泛函未考虑磁性效应（Ni在低温下是铁磁性的），这也会影响晶格常数和弹性性质。MTP继承了底层DFT方法的这些系统性偏差。
3. EAM势的表现：Mishin的EAM势在拟合时特意包含了弹性性质，因此它在这一项“考试”中表现也不错，与实验值符合良好。这在意料之中，因为这是它的“特长”。但这也提醒我们，一个势函数在特定拟合目标上表现好，不代表其在其他未拟合性质上同样可靠。

3.2 能量-体积曲线与声子谱

为了测试势函数在有限应变下的行为，我们计算了能量随体积变化的曲线（E-V曲线）。同时，为了检验其动力学矩阵的准确性，我们计算了Ni和Ni3Al的声子色散关系。

能量-体积曲线：MTP完美复现了DFT计算出的E-V曲线在整个体积变化范围内的形状，包括平衡体积、压缩和膨胀区域。而EAM势在偏离平衡体积较大时，与DFT结果出现明显分歧。这说明MTP对键长变化的描述具有更好的可转移性。

声子谱：声子谱是晶格动力学的直接体现，对势函数的二阶乃至更高阶力常数非常敏感。我们的MTP预测的声子支频率和态密度与DFT结果高度吻合，再次超越了EAM势。特别是对于Ni3Al中一些特定的光学支，MTP的准确性尤为突出。这意味着基于MTP的分子动力学模拟能够产生正确的原子振动行为，这对于计算热力学性质（如自由能、热膨胀）和模拟有限温度下的过程至关重要。

实操心得：在评估势函数时，声子谱是一个极其严厉但有效的测试。很多经验势在静态性质上表现尚可，但一到声子谱就“原形毕露”，出现虚频（动力学不稳定）或频率严重偏离。MTP能通过这一关，证明了其描述局域力常数的准确性，这是进行可靠动力学模拟的基础。

4. 点缺陷能量学的精准预测

这是本次评估的核心，也是MTP相较于传统势函数优势最能体现的地方。点缺陷（空位、空位团簇、反位缺陷）的形成和迁移是控制材料扩散、蠕变、辐照损伤等过程的关键。我们系统计算了多种点缺陷的形成能、结合能以及空位的迁移势垒。

4.1 单空位与空位团簇

形成能计算：对于单空位，形成能E_f^V = E_defect(N-1) - (N-1)/N * E_perfect(N)。对于含有n个空位的团簇，其形成能E_f(nV) = E_defect(N-n) - (N-n)/N * E_perfect(N)。空位团簇的结合能E_b则衡量了空位聚集是放热（结合能>0，吸引）还是吸热（结合能<0，排斥）过程。

关键结果对比（部分摘录）：

深度分析：

1. 惊人的一致性：MTP在预测单空位形成能、迁移能方面与DFT结果几乎完全一致，误差在几个meV以内。对于Ni中的单空位，MTP给出的1.425 eV与DFT的1.425 eV完全吻合，且落在分散的实验值范围内。
2. 空位团簇结合能的符号预测：这是体现物理描述准确性的关键。在体心Ni中，MTP和DFT都预测最近邻（1NN）双空位有微弱的吸引作用（正结合能），而次近邻（2NN）和第三近邻（3NN）则变为排斥。MTP不仅准确预测了结合能的大小，更重要的是准确预测了其符号（吸引/排斥）。相比之下，EAM势预测所有间距的双空位都是吸引的，这与DFT结论相悖。
3. Ni3Al中的空位行为：MTP预测Ni空位形成能（1.588 eV）低于Al空位（1.710 eV），表明在Ni3Al中形成Ni空位更容易。这与DFT趋势一致。而EAM势则给出了相反的趋势（Al空位形成能更低），这可能源于其拟合数据库的局限性。
4. 迁移势垒：通过爬坡弹性带（CI-NEB）方法计算单空位迁移路径，MTP复现的势垒曲线与DFT高度吻合，而EAM势普遍高估了迁移势垒。值得注意的是，EAM预测的Ni空位迁移能（1.195 eV）反而更接近某些实验值，这是因为该EAM势在开发时特意拟合了迁移能垒。这再次说明了传统势函数的“目标依赖性”——拟合了什么，什么就准；没拟合的，就可能出错。

4.2 三空位构型搜索与界面空位

为了进一步挑战MTP，我们进行了更复杂的缺陷能量学计算。

三空位构型搜索：在3×3×3的超胞中，我们枚举了Ni中144种、Ni3Al中280种对称性不等价的三空位构型，并计算了它们的形成能。MTP成功捕捉到了DFT计算出的能量排序总体趋势。例如，在Ni中，能量最低的三空位构型是位于{111}面上的三角形，其次是沿<111>方向的线型，最不稳定的是沿<001>方向的线型。MTP准确预测了这些最稳定和最不稳定的构型。

注意事项：我们也发现，当不同构型之间的形成能差异非常小（< 0.03 eV）时，MTP和DFT预测的相对稳定性顺序可能出现微小差异。这反映了当前MTP模型的精度极限。对于能量如此接近的构型，区分它们需要模型达到meV/atom量级的超高精度，这通常需要更复杂的基组或更大的训练集，但会牺牲计算效率。在实际应用中，需要根据研究问题的能量尺度来权衡精度需求。

界面空位形成能：我们计算了Ni/Ni3Al相界面处不同位置空位的形成能。MTP准确复现了DFT预测的相对稳定性顺序：界面处的Ni空位（Site 1）最容易形成。而EAM势则严重高估了所有界面空位的形成能。这表明MTP对于复杂化学环境（如界面）的描述能力更强。

5. 空位团簇的基态构型与扩散行为探索

在证明了MTP对静态缺陷能量学的准确性后，我们利用其高效性，探索了传统DFT难以直接处理的问题：较大空位团簇的稳定构型和动力学行为。

5.1 空位团簇的基态构型搜索

在面心立方（fcc）金属中，空位团簇可能以多种形态存在，如空位环（Loop）、层错四面体（Stacking Fault Tetrahedron, SFT）和空洞（Void）。哪种构型最稳定？我们使用MTP，在包含2048个原子的8×8×8超胞中，系统搜索了包含3到24个空位的团簇的基态构型。

方法：对于空位环和空洞构型，我们进行了穷举搜索。对于SFT和其他可能构型，我们采用了多次分子动力学退火模拟，让体系在高温下探索构型空间，再淬火到0K寻找能量最低点。

主要发现：

• 3空位 (3v)：最稳定构型是三角形空位环。
• 4空位 (4v) 和 8空位 (8v)：倾向于形成空洞构型。
• 5空位 (5v)：形成一个类似6空位空洞的构型，但其中心附近有一个自间隙原子（SIA），这是一个有趣的缺陷复合体。
• 6, 10, 15, 21空位：这些是“幻数”尺寸，完美SFT构型是最稳定的。SFT是一种由四个层错面围成的四面体空位簇，是fcc金属中常见的辐照缺陷。
• 其他尺寸：对于非幻数尺寸的空位团簇，最稳定的构型是“不完美”的SFT，即一个SFT核心外加一个邻近的空位。

这项工作清晰地展示了不同尺寸空位团簇在Ni中的偏好构型，为理解辐照或塑性变形过程中空位聚集的早期阶段提供了原子尺度的图像。这是单纯依靠DFT或传统EAM势难以系统完成的。

5.2 空位团簇的扩散动力学：一个意外发现

更令人兴奋的是动力学部分。我们想知道，不同大小的空位团簇，谁的迁移能力更强？我们在800 K下，对包含相同空位浓度（12个空位）但以不同团簇形式（单空位、双空位、三空位、四空位、六空位）存在的体系进行了2 ns的分子动力学模拟，并计算了体系的均方位移（MSD）。

出乎意料的结果：在考虑的几种团簇中，具有SFT结构的六空位团簇（6v-SFT）扩散最快！而单空位在800 K下几乎不移动（整个2 ns轨迹中仅观察到一次跳跃）。双空位和六空位团簇在模拟过程中保持结构稳定。三空位和四空位团簇则不稳定，会分解成更小的团簇。

机理探究：为什么6v-SFT扩散这么快？通过分析轨迹，我们发现6v-SFT存在两种中心对称的构型。在模拟中，它频繁地在这两种构型之间转换。通过CI-NEB计算，这种转换的能垒仅有约0.4 eV，低得惊人。在转换过程中，SFT核心区域的一个原子会发生快速、长程的“跳跃”式迁移（见图12轨迹）。这种低能垒的集体重排机制，使得6v-SFT能够实现快速的整体扩散。

实操心得：这个发现具有重要的物理意义。它表明，在某些情况下，空位聚集形成的特定团簇（如SFT）可能比单个空位或小团簇具有更高的迁移率。这挑战了“缺陷越大越不移动”的简单直觉，对于理解材料中缺陷的长期演化（如辐照肿胀、蠕变空洞生长）可能有新的启示。这也凸显了大规模分子动力学模拟在发现新现象方面的价值。

6. 面缺陷能量学：广义堆垛层错能曲面

面缺陷，特别是堆垛层错，是理解位错核心结构和材料塑性变形的关键。广义堆垛层错能（GSFE）曲面描述了晶体在滑移面上发生相对剪切时，能量随位移矢量的变化。

6.1 计算方法与结果

我们使用“剪切别名”方法，在六层厚的超胞中，计算了Ni和Ni3Al密排面（111）上的GSFE曲面。对于DFT，我们在位移空间采用了16×26的网格；而对于计算廉价的MTP和EAM，我们使用了更密的120×120网格来获得平滑的能面。

关键层错能对比：

结果分析：

1. 总体趋势：MTP预测的GSFE曲面与DFT计算结果在形状和数值上吻合良好，特别是在能量较低的区域（即实际位错分解可能经过的路径附近）。这比EAM势的预测要准确得多。
2. Ni3Al中的反相畴界（APB）：我们发现，Ni3Al中的APB在结构弛豫后，其原子位置会略微偏离几何理想位置。因此，我们采用弛豫后的能量最低点，而非几何理想点，来计算APB能。这使得我们计算出的γ_APB值（MTP: 235, DFT: 163 mJ/m²）低于一些文献中基于未弛豫或不同方法计算的值。这强调了在计算这类缺陷能时进行充分结构弛豫的重要性。
3. 位错分解分析：根据GSFE曲面上的最小能量路径，我们可以推断位错的分解方式。在Ni中，一个全位错1/2[1-10]会分解为两个肖克利不全位错1/6[2-1-1]和1/6[1-21]，中间夹着一片本征层错（ISF）。在Ni3Al中，一个超位错[1-10]首先分解为两个1/2[1-10]位错加一个APB；然后每个1/2[1-10]位错再进一步分解为两个肖克利不全位错，中间夹着一个复杂层错（CSF）。这些预测与文献中基于位错理论的描述一致。

6.2 误差来源与模型局限

我们也注意到，MTP在GSFE曲面的一些高能量区域（远离最小能量路径）误差有所增大。这主要是因为我们的训练数据主要来自平衡或近平衡的分子动力学采样，对这些高能量的非平衡剪切构型采样不足。这是机器学习势函数的一个常见挑战：模型在训练数据密集的区域表现极好，但在数据稀疏的“外推”区域精度会下降。解决之道在于通过主动学习，有针对性地将这些高能量构型加入训练集。

7. 熔点预测与外推能力测试

作为对MTP外推能力的终极测试，我们计算了Ni和Ni3Al的熔点。我们采用了固-液共存法，构建了一个包含8000个原子、具有(001)固液界面的超胞，通过分子动力学模拟观察两相在不同温度下的共存状态，从而确定熔点。

结果：

• Ni：MTP预测的熔点约为1597 K，低于实验值1728 K。
• Ni3Al：MTP预测的熔点约为1630 K，与实验值1645 K符合得很好。

讨论：值得注意的是，我们的训练集中并没有刻意包含熔体结构。MTP能够相对准确地预测熔点，尤其是对Ni3Al，这展示了其出色的外推能力。模型从固态的原子构型中学习到的相互作用，在一定程度上可以推广到液态这种高度无序的状态。对于Ni熔点的低估，可能源于PBE泛函本身对Ni结合能的描述偏差，以及磁性效应的缺失，这些系统误差被MTP继承了下来。

8. 总结与展望：MTP的优势、挑战与应用前景

通过这一系列系统性的评估，我们可以得出以下结论：

MTP的核心优势：

1. 高精度与DFT一致性：在预测Ni-Al体系从体相性质到复杂点缺陷、面缺陷的能量学方面，MTP表现出了与DFT高度一致的能力，显著超越了传统EAM势，尤其是在描述空位团簇结合能符号、层错能曲面等复杂性质上。
2. 高效性与可扩展性：一旦训练完成，MTP的计算速度比DFT快数个数量级，使得包含数千原子、纳秒时间尺度的分子动力学模拟成为可能，从而可以研究DFT无法直接触及的尺寸和时间尺度的问题，如空位团簇的基态搜索和扩散动力学。
3. 良好的外推性：即使训练集未包含熔体数据，MTP也能对熔点做出合理预测，展示了其从有限数据中学习普适物理规律的能力。

当前模型的挑战与局限性：

1. 能量接近构型的区分：当不同缺陷构型的形成能差异非常小（< 30 meV）时，当前MTP模型的精度可能不足以可靠地区分它们的相对稳定性。要达到meV/atom量级的超高精度，需要更复杂的模型，但这会牺牲计算效率。
2. 训练数据依赖性：MTP的精度严重依赖于训练数据的质量和覆盖范围。对于某些涉及Al空位的三空位构型，MTP误差较大，这很可能是因为训练数据中对包含Al空位的构型空间采样不足。这指明了未来改进的方向。
3. 继承DFT的误差：MTP无法纠正底层DFT方法（如PBE泛函）的系统性误差，例如对晶格常数的轻微低估、对表面能的描述偏差等。

对未来工作的启示：

1. 主动学习优化训练集：未来的工作应更系统地采用主动学习策略，自动识别并补充构型空间的“空白”或“高不确定性”区域，特别是那些高能量的过渡态、复杂缺陷簇和远离平衡的构型。
2. 开发通用势函数：本研究为开发一个适用于Ni-Al合金体系的通用机器学习势函数奠定了基础。一个理想的通用势应该能够无缝描述从纯Ni、纯Al到各种成分的Ni-Al合金，以及它们的各种相、缺陷和界面。
3. 应用于实际工程问题：有了这样一个经过严格验证的高精度势函数，我们可以信心十足地将其应用于更实际的工程问题模拟，例如：高温下位错与空位的交互作用、蠕变过程中空洞的形核与长大、辐照损伤的早期演化、合金元素（如Re, Ta, W）在缺陷处的偏聚行为等。这些模拟将为深入理解镍基高温合金的微观力学行为和性能优化提供前所未有的原子尺度洞察。

个人体会：从事这项工作让我深刻体会到，机器学习势函数并非一个“黑箱”魔法。它的成功极大地依赖于对物理问题的深刻理解、精心设计的训练策略以及严谨系统的验证流程。构建一个可靠的MTP，就像培养一个专家：你需要用高质量、全面的数据（知识）去训练它，然后用一系列具有挑战性的独立问题（考题）去考核它，只有通过全面考核的模型，才能被委以重任，去探索那些未知的领域。这条路虽然充满挑战，但看到模型能够复现甚至预测出复杂的物理现象时，所有的努力都是值得的。