通过机器学习力场分子动力学模拟对TiCN的原子级洞察

《Journal of Alloys and Compounds》：Atomic-Level Insights into TiCN via Machine Learning Force Field Molecular Dynamics Simulations

TiCN材料通过深度神经网络开发高精度原子间势能模型，验证了该模型对弹性常数和体积响应的准确预测，并揭示了其在不同温度下的力学特性：低温时高强度和断裂应变优异，高温时显著热软化和脆性断裂。同时发现应变率对力学响应影响有限，而压缩载荷下适度位错活动可改善塑性。为多尺度模拟提供新基础并深化材料设计机制。

　　TiCN作为一种重要的金属陶瓷材料，因其优异的物理和机械性能，在高速切削工具、高温结构材料等领域展现出广阔的应用前景。然而，由于缺乏可靠的原子间势函数，其在大规模模拟研究中的应用一直受到限制。本研究通过引入深度神经网络（Deep Neural Network, DNN）方法，开发了一种适用于Ti-C-N三元系统的机器学习势函数，显著提升了对TiCN材料性质的预测精度，为多尺度模拟提供了坚实的理论基础。

在材料科学的发展历程中，金属碳化物和金属氮化物的出现标志着材料设计与创造的新阶段。这类材料通过碳和氮原子与过渡金属（如钛、钼、钨、钽等）之间的强共价、离子和金属键合，形成了三维网络结构，赋予其超高硬度、优异的热稳定性和出色的化学惰性。这些特性使其成为传统金属合金、陶瓷乃至某些聚合物材料的有力替代者。随着多尺度模拟、高通量实验和人工智能技术的深度融合，金属碳化物和氮化物的开发正在成为21世纪材料科学革命的典型代表。

在高速切削工具领域，尽管已有多种新型材料被应用于加工过程并取得了一定进展，但制造商和研究人员在实际应用中仍持谨慎态度，主要原因在于需要在材料性能与制造成本之间取得平衡。TiCN基陶瓷材料因其稳定的加工特性、较低的成本和出色的性能，已成为这一领域的重要选择。在过去几十年中，TiCN作为切削工具的基底材料和薄膜涂层材料被广泛合成，以提高陶瓷工具的整体性能。例如，Akinribide等人通过调控碳含量来增强TiCN基底的硬度；Zhou等人则制备了超细晶粒的TiCN材料，表现出优于传统亚微米TiCN的机械性能；Ojalvo等人通过调整烧结助剂的种类和含量，降低了TiCN致密化所需的烧结温度，从而降低了制造成本；Kainz等人构建了具有层状微观结构的TiCN/TiC涂层，以延长高速切削工具的使用寿命；Chen等人则通过调整烧结气氛引入额外的碳，制备了高韧性、低孔隙率的TiCN涂层。这些研究充分表明，TiCN基陶瓷材料仍具有显著的发展潜力。

作为超高温度陶瓷和陶瓷复合材料家族中的关键成员，TiCN在广泛的化学计量比范围内表现出良好的热力学稳定性。其热、电和机械性能可以通过调控C/N比、引入烧结助剂以及添加增强相等方式进行精确调控。然而，目前对TiCN本征机制的研究主要依赖于实验手段，基于第一性原理密度泛函理论（DFT）的理论研究仍较为有限。尽管DFT在预测固体和液体的吉布斯自由能以及评估材料的机械性能方面表现出色，但由于其量子力学计算的复杂性，对极端服役条件下的模拟仍然计算量巨大，难以有效捕捉如熔融过程中的晶核形成或断裂等介观现象。因此，有必要开发一种更为高效的模拟方法，以实现对TiCN材料在复杂服役条件下的深入研究。

分子动力学（Molecular Dynamics, MD）模拟已成为研究材料在有限温度下结构和动力学行为的重要手段。然而，MD模拟的准确性高度依赖于原子间势函数的质量。对于Ti-C-N系统，Kim等人在2008年提出了一组适用于Ti-C和Ti-N二元系统的改进型嵌入原子方法（2NN MEAM）势函数，成功再现了TiC和TiN的多种基本物理性质。然而，对于三元TiCN陶瓷材料，高精度的原子间势函数仍然较为稀缺。近年来，基于深度神经网络的势函数拟合方法为准确预测材料性能开辟了新的途径。该方法通过使用不同的局部环境描述符，建立了局部原子环境与势能面之间的定量关系。相比传统的经验势函数，机器学习原子间势（Machine Learning Interatomic Potentials, MLIPs）在计算效率方面并未显著提升，但其在准确性和迁移性方面表现出明显优势。DeePMD-kit作为一种新兴的神经网络框架，为构建MLIPs提供了便捷的平台，并已被成功应用于描述多种微观特征。例如，Wu等人利用DeePMD-kit拟合了氧化物的原子间势，使得包含多种金属元素的钙钛矿氧化物的MD模拟成为可能；Baidyshev等人则使用同一框架模拟了高熵碳氮化物的熔融过程，实现了对熔融过程的精确建模与分析。

尽管机器学习拟合的原子间势函数在训练数据方面表现出高精度，但在“极端”模拟场景（如辐照损伤和拉伸断裂）中，其外推能力仍然有限，原因在于这些势函数的函数形式缺乏明确的物理解释。与经典势函数如Lennard-Jones势、嵌入原子方法（EAM）和Tersoff势相比，机器学习势函数在预测远离平衡状态的行为时表现不佳。因此，本研究旨在通过引入加权聚类和主动学习策略，提升势函数在非平衡构型和大应变条件下的泛化能力。最终，我们构建了一种适用于Ti-C-N三元系统的机器学习势函数，并利用该势函数进行了单轴拉伸和压缩模拟，以研究位错活动对TiCN塑性行为的影响。

本研究通过系统的训练数据集构建和权重策略优化，成功开发出一种能够准确描述TiCN材料在非平衡状态下的键合特性的机器学习势函数。该势函数不仅能够高精度拟合势能面，还能准确预测原子受力情况，为TiCN材料的多尺度动态模拟提供了可靠的工具。通过引入加权聚类和主动学习策略，我们有效提升了模型在复杂服役条件下的适应能力，使其能够在更广泛的应变范围内进行模拟，从而揭示TiCN材料在不同温度和应变率下的变形机制和断裂行为。这些研究成果为TiCN材料的设计与应用提供了新的原子尺度视角，有助于进一步优化其性能并拓展其应用领域。

此外，本研究的机器学习势函数还具备良好的迁移性和可扩展性，能够在不同材料体系中进行应用。这一特性使得该势函数不仅适用于TiCN材料，还可能为其他金属碳化物和氮化物的模拟研究提供参考。随着机器学习方法在材料科学中的不断深入，未来的模拟研究将更加高效和精确，从而推动新型高性能材料的开发。本研究的结果表明，通过结合先进的机器学习算法和多尺度模拟技术，可以更全面地理解材料的微观行为，为材料科学的发展提供新的思路和方法。