学习从头算相场模型

arXiv:2610.01432v1 公告类型：cross 摘要：模拟微观结构演化需要同时具备量子力学精度以及在长度和时间尺度上的介观覆盖范围，而目前尚无方法能够兼顾二者。经典相场模型能够达到这样的覆盖范围，但其精度受到现象学自由能和迁移率的限制。在此，我们提出一种学习从头算相场模型的框架，其中介观方程并非预先假定，而是在明确假设下，通过将分子动力学利用 Mori-Zwanzig 投影到组分密度场上推导得到。该方程中未被确定的非局域自由能和迁移率由神经网络参数化，并利用短程分子动力学轨迹进行学习；这些轨迹由具有从头算精度的机器学习原子间势生成。我们在铁-硼熔体以及行星条件下的氢-氦混合物上展示了该框架。对于铁-硼体系，模型表明 FeB$_4$ 组分的熔体在环境压力下具有自旋分解不稳定性，而在 10 GPa 下趋于稳定，这为 FeB$_4$ 仅能在高压下合成提供了热力学依据。对于氢-氦体系，模型预测了不互溶边界，并在氦雨模拟中捕捉到了液滴成核和长大过程；模拟对象为对应于 220 万个原子的柱体，其规模远超具有相当精度的原子级建模所能达到的范围。在不同组分和条件下进行训练后，这类模型有望成为从头算分子动力学的介观对应方法。