机器学习势函数与扩展损伤模型揭示高熵合金抗辐照机制

1. 项目概述：从原子碰撞到材料失效，我们如何用AI看清辐照损伤？

在核反应堆的堆芯、航天器的外壁，或是未来聚变装置的面向等离子体部件，材料无时无刻不在承受着高能粒子的“轰击”。这些粒子，比如中子或离子，携带着巨大的能量撞入材料内部，就像一颗高速子弹射入一片紧密排列的台球阵中。最初的撞击（初级撞出原子，PKA）会引发一连串的原子级“车祸现场”——级联碰撞。这个过程在皮秒（万亿分之一秒）量级内，产生大量脱离晶格位置的原子（间隙原子）和留下的空位，即弗伦克尔对。这些点缺陷并非静止，它们会迁移、聚集，形成位错环、空洞等缺陷团簇，最终导致材料肿胀、硬化、脆化，性能急剧下降。

理解并预测这一微观损伤过程，是设计下一代抗辐照材料的关键。然而，实验手段难以实时捕捉原子尺度的瞬态过程，而理论计算的第一性原理方法又受限于计算量，无法模拟包含数百万原子、持续上百皮秒的级联碰撞事件。这时，分子动力学模拟成为了连接微观机制与宏观性能的桥梁。但这座桥的稳固性，完全取决于其基石——描述原子之间如何相互作用的“势函数”。传统的经验势函数，如嵌入原子法势，其函数形式固定，在描述复杂多组分合金（如包含钼、铌、钽、钒、钨五种元素的高熵合金）时，往往力不从心，难以准确预测缺陷形成能、表面能等关键性质，导致模拟结果与真实物理图像存在偏差。

近年来，机器学习势函数的出现，为这一困境带来了转机。它不再依赖预设的物理公式，而是像一个极度聪明的“学徒”，通过“学习”大量第一性原理计算的高精度数据，自己总结出原子间相互作用的复杂规律。这种数据驱动的方法，使得我们能够以前所未有的精度和效率，模拟复杂材料中的辐照损伤过程。与此同时，如何量化损伤也至关重要。长期以来，NRT-dpa模型是国际标准，但它简单地将所有原子视为等同，忽略了不同元素在质量、尺寸上的差异，对于高熵合金这类“化学复杂”的材料，其预测偏差可能很大。

因此，我们面临的核心问题是：能否结合高精度的机器学习势函数与更物理的损伤量化模型，深入揭示像MoNbTaVW这样的难熔高熵合金，其卓越抗辐照性能背后的原子机制？这项工作正是对此的探索。我们将训练一个针对Mo-Nb-Ta-V-W体系的机器学习势函数，进行从1 keV到150 keV能区的系统级联模拟，并发展一个考虑元素特性的扩展arc-dpa模型来量化损伤。最终目标，是看清化学复杂性如何通过“亚级联分裂”等机制，巧妙地抑制有害缺陷团簇的形成，从而赋予材料更强的抗损伤能力。无论你是材料模拟领域的研究者，还是对先进核材料设计感兴趣的工程师，本文将带你深入这一交叉前沿，理解从算法到物理图像的全链条逻辑。

2. 方法论基石：构建可靠的模拟与量化框架

要开展可靠的辐照损伤模拟研究，必须搭建一个坚实的计算框架。这包括两个核心部分：一是能够准确描述MoNbTaVW高熵合金中复杂原子间相互作用的势函数；二是能够合理量化这种多组分材料中辐照损伤的物理模型。两者缺一不可，前者决定了我们看到的“电影”是否逼真，后者决定了我们如何科学地“统计”电影中的关键情节。

2.1 为复杂合金“量身定制”机器学习势函数

传统经验势函数在模拟高熵合金时的主要瓶颈在于“泛化能力”不足。一个针对纯钨优化的EAM势，很难准确预测钒原子掺入后形成的间隙原子构型及其能量。机器学习势函数则采取了“海量数据+灵活模型”的策略。

2.1.1 训练数据的构建：覆盖所有可能场景

我们采用的训练数据集并非随意生成，而是经过精心设计，旨在覆盖材料可能经历的所有物理状态和缺陷类型，确保势函数具有广泛的适用性。数据集主要包含以下几类结构：

1. 纯金属基础数据：包括每种元素（Mo, Nb, Ta, V, W）的体心立方晶体、高温bcc相、包含空位和自间隙原子的缺陷结构，以及表面和液态结构。这确保了势函数能准确描述每种元素的单质特性。
2. 合金成分空间采样：从二元到五元的所有等原子比随机合金结构。这是理解高熵合金“鸡尾酒效应”的关键，迫使模型学习不同元素随机混合时的相互作用。
3. 有序合金结构：包含从二元到五元的有序合金。这有助于模型捕捉可能的短程有序或局部偏聚现象。
4. 高熵合金中的缺陷：专注于MoNbTaVW成分，构建包含最多五个空位或自间隙原子的缺陷超胞。特别地，为了精确描述级联碰撞中原子极度接近时的强排斥作用，数据集还包含了在HEA晶体中随机插入一个间隙原子、且使其与近邻原子距离非常近（但又不至于过近导致不物理）的结构，以捕获短程排斥力。
5. 液态结构：涵盖了从二元到五元的所有等原子比组合的液态。这对于模拟级联过程中产生的局部熔化区（热峰）至关重要。

整个数据集包含21,672个原子构型和334,858个原子，并通过第一性原理计算获得了每个构型的能量、原子受力和维里应力。如此全面的数据，确保了训练出的势函数能够可靠地模拟材料的弹性、热学、缺陷性质，以及表面能、熔化过程和液相结构。

2.1.2 模型选择与训练：神经进化势与ZBL修正

我们选用神经进化势作为机器学习势函数的框架。NEP模型以其高精度和优异的计算效率著称，其“NEP4”版本在描述多组分体系方面表现尤其出色。

• 描述符与神经网络：模型的输入是每个原子周围的局部化学环境，通过一组径向和角向描述符来数学表征。我们设置的截断半径为5埃，这意味着模型只“看到”每个原子周围5埃内的邻居。径向和角向部分各使用7个径向函数，每个函数由9个切比雪夫多项式基函数线性组合而成，其系数是可训练的。这些描述符信息随后输入到一个含80个神经元的单隐藏层神经网络，最终输出该原子的能量贡献。
• 损失函数：训练目标是让NEP预测的能量、力和维里应力尽可能接近第一性原理计算值。损失函数是这三项误差的加权和，权重分别设为1, 1, 0.1。这意味着我们最看重力和能量的准确性，同时也适当考虑应力。
• 短程排斥势的融合：在级联模拟的初始阶段，PKA能量极高，原子间距离可能小于1埃，此时电子云重叠，相互作用以强库仑排斥为主。NEP主要从平衡态附近的数据学习，对这类极端短程相互作用的描述可能不够精确。为此，我们采用了NEP-ZBL方案，将经典的Ziegler-Biersack-Littmark屏蔽库仑势与NEP势平滑耦合。总势能表示为：U_i = U_i^NEP + 1/2 * Σ_{j≠i} U^ZBL(r_ij)。在1-2埃的过渡区间，NEP被训练去拟合DFT与ZBL势的差值，从而保证从短程强排斥到中长程相互作用的平滑过渡。

最终训练出的模型，其能量、力和维里应力的预测均方根误差分别为4.37 meV/原子、145 meV/埃和47.8 meV/原子，与DFT结果高度吻合。更重要的是，在单块RTX 4090 GPU上，该模型达到了每秒1千万原子步的计算速度，与传统的EAM势相当，使得模拟包含数千万原子的大型级联过程成为可能。

2.2 从“平均原子”到“个性原子”：扩展损伤模型

量化辐照损伤的经典模型是NRT-dpa，其公式N_d = 0.8 * T_d / (2 * E_d)隐含了一个关键假设：所有原子都是相同的。它用一个平均的离位阈值能量E_d来代表整个材料。这对于纯金属或简单合金尚可接受，但对于MoNbTaVW这种五种元素随机分布的高熵合金，这个假设就过于粗糙了。钒原子小而轻，钨原子大而重，它们被撞离位的难易程度（E_d）截然不同。

因此，我们提出了针对多组分材料的扩展损伤模型。其核心思想是：在一次碰撞事件中，考虑碰撞双方原子的类型差异，并引入一个有效离位阈值能量E_multi。

2.2.1 模型推导的核心逻辑

推导从基本的Kinchin-Pease模型开始。考虑一次碰撞，入射原子（类型i）将能量T传递给靶原子（类型j）。产生的离位原子数ω_ij(E)取决于入射原子剩余能量(E-T)产生的离位，加上靶原子获得能量T后可能产生的离位。通过对所有可能的能量转移T进行积分平均，并考虑不同类型原子碰撞的概率，我们得到了适用于多组分体系的总离位数表达式。

其中，最关键的是靶原子选择概率p_i的引入：p_i = (c_i * r_i^2) / Σ_j (c_j * r_j^2)这里，c_i是原子浓度，r_i是原子半径。p_i正比于该种原子的丰度（浓度）和它的“靶子面积”（正比于半径平方）。这意味着，在随机碰撞中，一个原子被选为靶原子的概率，既取决于它有多少（浓度），也取决于它“个头”有多大（截面）。

基于此，我们定义了有效离位阈值E_multi：E_multi = Σ_i p_i ( E_d^i + Σ_j p_j E_d^j / Λ_ij )其中，E_d^i是第i种原子在多组分材料中的离位阈值，Λ_ij = 4M_i M_j / (M_i + M_j)^2是质量因子，表征从i到j的最大能量传递效率。这个公式的物理意义很直观：E_multi是各种原子作为靶原子时，其离位难易程度（E_d^i）以及它被其他类型原子撞击时能量接收效率（通过Λ_ij和p_j加权）的综合体现。

2.2.2 扩展的arc-dpa模型

将E_multi代入到经典的arc-dpa模型中，我们就得到了扩展版本：N_d, arc-dpa(T_d) = 0.8 * (0.8 * T_d / E_multi) * ξ_arcdpa(T_d), 当 T_d > E_multi/0.8其中ξ_arcdpa(T_d) = 1 - c_arcdpa * (E_multi/0.8)^b_arcdpa * T_d^b_arcdpa + c_arcdpa。

b_arcdpa和c_arcdpa是材料相关的参数，需要通过分子动力学模拟或实验来确定。ξ函数描述了在高能区，由于热峰效应导致的缺陷复合，使得稳定存活缺陷数偏离线性增长的趋势。这个扩展模型通过E_multi和拟合的参数b,c，将化学复杂性（元素种类、浓度、质量、尺寸）对损伤产生效率的影响纳入了量化体系。

注意：这个扩展模型基于原子随机均匀分布的假设。在实际高熵合金中，可能存在短程有序或局部化学起伏，这可能会对碰撞概率产生影响。本工作作为初步探索，采用了随机固溶体假设，更复杂的化学有序效应值得在未来研究中深入探讨。

3. 势函数验证与基本物性：确保模拟的可靠性

在将机器学习势函数投入大规模的级联模拟之前，我们必须像检验一把新尺子的刻度一样，对其预测材料基本物性的能力进行全面的“校准”。只有当它在各种测试中都与已知的实验数据或高精度第一性原理计算结果吻合良好，我们才能信任它模拟复杂非平衡过程（如辐照级联）的结果。

3.1 静态物性：从晶格常数到熔点

我们首先计算了纯金属及MoNbTaVW高熵合金的一系列基本性质，并与文献中的实验值或DFT计算结果进行对比。

3.1.1 晶格常数与弹性性质对于五种纯金属（V, Nb, Mo, Ta, W），NEP模型预测的晶格常数和体弹模量与DFT数据高度一致。例如，钨的晶格常数预测值为3.186埃，与DFT值3.185埃几乎相同；其体弹模量预测为309 GPa，与DFT的303 GPa也非常接近。对于MoNbTaVW高熵合金，我们通过对50个包含2000原子的弛豫超胞取平均，得到其平衡晶格常数为3.195埃，体弹模量为219 GPa。这些值与之前的DFT研究结果吻合，表明NEP模型准确地捕捉了合金的基态结构和弹性响应。一个有趣的趋势是，钨和钼是这些元素中最“硬”的（体弹模量最高），当它们与较“软”的钒、铌、钽形成合金后，整体的弹性刚度会有所下降。

3.1.2 形成能与混合能单空位形成能是衡量材料中点缺陷稳定性的关键参数。在高熵合金中，由于化学环境的复杂性，每个空位周围的元素排列都不同，因此其形成能有一个分布。我们计算了HEA中50个不同位置的单空位形成能。DFT计算的平均值为3.33 eV，而NEP模型的预测平均值为3.29 eV，分布范围也与DFT结果高度重合。这表明模型能准确描述空位在复杂化学环境中的形成能涨落。

对于自间隙原子，我们在1000个不同的HEA超胞中随机插入一个原子，弛豫后观察其稳定的构型。结果显示，含钒的哑铃状间隙原子构型（尤其是V-V哑铃）占据主导地位。这与之前的DFT和MD研究结论一致，归因于钒原子尺寸最小，倾向于形成更短的键，从而在能量上更有利。

3.1.3 熔点预测我们采用固液共存法估算了HEA的熔点。在零压条件下，构建一个包含13500个原子的双相体系（一半固体bcc相，一半液相），在熔点附近进行模拟。NEP模型预测的MoNbTaVW的熔点约为2840 K。需要指出的是，对于合金，固相线和液相线之间存在一个温度区间，我们的模拟只给出了固液共存的一个温度点，可以近似看作合金的熔化温度。这个值处于各组分纯金属熔点之间，是合理的。

3.2 动态门槛：离位阈值能量

离位阈值能量是辐射损伤研究中最基础的参数，它定义了一个原子被永久撞离其晶格位置所需的最小动能。我们利用NEP模型，在300 K温度下，对纯金属和HEA进行了大规模的TDE计算。

3.2.1 纯金属的TDE各向异性对于纯金属，我们沿500个随机方向计算了TDE，并绘制了极射投影图。结果显示：

• 钨的TDE最高，平均约109 eV，且其值分布范围广，对晶向非常敏感，在密排方向（如<111>）需要更高的能量才能离位。
• 钼次之，平均约99 eV。
• 钒的TDE最低，平均约54 eV，最容易离位。 这个趋势与纯金属中间隙原子形成能的趋势一致：形成能越高，原子结合越牢，越难被撞离位。

3.2.2 高熵合金的TDE“均匀化”在MoNbTaVW高熵合金中，我们为每种元素（作为PKA）计算了1000个随机方向的TDE。结果呈现出与纯金属截然不同的特征：

1. 分布更集中：五种元素PKA的TDE值分布都更接近高斯分布，角度依赖性显著减弱。这是因为高熵合金中严重的晶格畸变和化学无序，使得每个原子所处的局部环境都各不相同，平均化了沿不同晶向的离位难度差异。
2. TDE与原子质量的逆相关：计算得到的平均TDE值为：V (58 eV), Nb (53 eV), Mo (54 eV), Ta (45 eV), W (45 eV)。一个明显的趋势是，较轻的PKA（V, Nb）反而需要更高的能量才能造成稳定离位。这与直觉似乎相悖，因为轻原子更容易被加速。其深层���因在于，在HEA中，一个轻原子（如V）被撞离位后，它更容易与周围较重的原子发生非弹性碰撞而损失能量，或者其形成的间隙原子构型（如V-V哑铃）迁移能力较强，导致其在冷却阶段更容易与空位复合，从而无法形成“稳定”的弗��克尔对。统计也发现，在5000次随机反冲事件中，最终形成稳定缺陷的PKA，85%是钒，而较重的钽和钨分别只占0.6%和2.4%。这再次印证了V原子在缺陷产生过程中的活跃角色。

基于这些元素特定的TDE值，我们利用扩展模型公式计算了MoNbTaVW HEA的有效离位阈值能量E_multi= 108 eV。这个值高于大多数纯组元的TDE，表明从整体上看，HEA中的原子“更难”被离位，这初步提示了其潜在的抗辐照特性。

4. 级联模拟全景：缺陷产生、演化与量化

有了经过验证的可靠势函数，我们便可以深入辐照损伤的核心舞台——原子碰撞级联。我们系统模拟了PKA能量从1 keV到150 keV的碰撞过程，对比了纯钨和MoNbTaVW高熵合金在缺陷产生、存活和团簇化行为上的差异。

4.1 缺陷产量与扩展arc-dpa模型拟合

我们统计了级联模拟最终阶段（约100 ps后）存活的稳定弗伦克尔对数量。图5展示了MoNbTaVW HEA和纯W在不同损伤能量T_d下的FP数量。

4.1.1 与经典模型的对比对于纯钨，我们采用了文献中报道的arc-dpa参数（b = -0.56,c = 0.12）。在低能区（T_d < 20 keV），我们的MD模拟结果与arc-dpa模型预测吻合良好。但在高能区，MD模拟产生的稳定FP数量显著高于模型预测。这种偏差是预期的，因为arc-dpa模型基于纯金属数据建立，且在高能区，级联分裂、热峰效应等复杂过程使得缺陷产生效率偏离简单标度律。

4.1.2 HEA的损伤特征与模型参数在整个能量范围内，HEA中存活的FP数量始终高于纯钨。这意味着在单次碰撞事件中，HEA产生了更多的点缺陷。这似乎与“抗辐照”的直观印象矛盾。然而，抗辐照性能不仅取决于缺陷的“产量”，更取决于缺陷的“命运”——它们是保持孤立、易于迁移复合，还是聚集形成稳定的、有害的大团簇？

为了量化HEA的损伤，我们用MD模拟数据拟合了扩展arc-dpa模型的参数。得到b = -0.73,c = 0.21。作为对比，如果使用原始的、不考虑元素差异的模型（即用平均TDE代替E_multi）进行拟合，会得到c = 0.19。c值代表了在极高能量下缺陷存活分数趋近的常数。扩展模型给出了更高的c值，表明它预测在高能区HEA会产生更多的损伤，这与我们的MD结果更一致。这凸显了考虑化学复杂性对于准确量化多组分材料损伤的重要性。

4.2 缺陷团簇化行为：抑制与促进的博弈

抗辐照性能的关键在于抑制缺陷，特别是间隙原子团簇的聚集和长大，因为它们是位错环的前驱体，会导致材料硬化。我们分析了空位和间隙原子团簇的比例及尺寸。

4.2.1 团簇分数与尺寸图6揭示了HEA与纯W在缺陷团簇化行为上的根本差异：

• 间隙原子团簇：在纯钨中，随着PKA能量增加，间隙原子团簇的比例急剧上升，在150 keV时接近90%。这意味着绝大多数间隙原子都聚集在了一起。相反，在HEA中，间隙原子的团簇比例始终低于25%，且不随能量显著增加。
• 空位团簇：HEA中空位的团簇比例始终高于纯钨。同时，HEA中最大空位团簇的尺寸也大于纯钨，而最大间隙原子团簇的尺寸则远小于纯钨。

4.2.2 现象解读：亚级联分裂的主导作用这些数据指向一个核心机制：在高熵合金中，辐照级联倾向于“分裂”成多个更小的、空间分离的亚级联。这种“亚级联分裂”效应，是HEA抗辐照性能提升的关键。

• 对间隙原子：亚级联分裂将产生的间隙原子分散到多个孤立的小区域，极大地减少了它们相遇、聚集形成大团簇的机会。即使在小区域内形成了团簇，其尺寸也有限。
• 对空位：空位迁移能力通常远低于间隙原子。亚级联分裂产生的多个小热峰区域，在冷却过程中，其中心区域更容易因原子快速填充而形成空位富集区，从而促进了空位团簇的形成。但这些空位团簇相对孤立，且后续与分散的间隙原子复合概率较低。

这种“促进空位团簇、抑制间隙原子团簇”的现象，与在WTaCrV等其它难熔HEA中的模拟观察一致。它改变了缺陷演化的格局：有害的、可移动的间隙原子团簇被有效抑制，而相对静止的空位团簇被保留。后者虽然也是缺陷，但其对材料力学性能（如硬化）的直接影响通常小于位错环。

4.3 PKA元素类型的影响：谁触发了分裂？

为了探究化学复杂性如何影响级联形态，我们在150 keV能量下，针对HEA中五种不同的PKA元素（Mo, Nb, Ta, V, W）各进行了10次模拟，共计50次，以获取统计规律。

4.3.1 亚级联分裂的触发概率统计分析给出了清晰的结论：

• V和Nb作为PKA时，10次模拟全部观察到了显著的亚级联分裂。
• Mo作为PKA时，9次分裂，1次未分裂。
• W和Ta作为PKA时，约有一半的模拟发生了分裂。

而在相同能量下，纯钨的自我辐照模拟中，完全没有观察到亚级联分裂。文献指出，纯钨中自离子辐照产生亚级联分裂的阈值能量在160 keV附近。我们的结果表明，HEA的化学无序显著降低了级联分裂的阈值能量。

4.3.2 分裂与否的后果图8和图9清晰地展示了分裂与未分裂级联的迥异结局：

• 发生亚级联分裂的案例：级联早期就分裂成多个分支，峰值损伤时形成多个分散的损伤区。最终，大多数点缺陷呈孤立或小团簇状分散，间隙原子团簇化比例很低。
• 未发生分裂的案例：级联保持一个紧凑的、高能量密度的“热峰”。这会形成一个大的熔融区，在冷却凝固后，容易产生大型的间隙原子和空位团簇（尺寸可超过100个缺陷）。虽然这种大热峰在冷却过程中也会促进点缺陷复合（导致最终FP总数可能比分裂案例少），但一旦形成大团簇，它们就非常稳定，难以通过后续热迁移消除，对材料性能危害极大。

表III的数据量化了这种差异：在未分裂的案例中，间隙原子团簇的比例和最大团簇尺寸都显著增加。特别地，当Ta作为PKA且未分裂时，产生了超过200个间隙原子的大团簇。

4.3.3 物理机制分析为什么V和Nb更容易触发分裂？这可以从原子质量和局部环境两方面理解：

1. 质量效应（碰撞截面）：V和Nb是体系中最轻的两个元素。作为PKA，它们具有更高的初始速度。在与周围原子（尤其是重原子如W、Ta）碰撞时，根据碰撞动力学，轻粒子更容易发生大角度散射，将能量更有效地传递给近邻原子，自身则迅速偏转方向。这有利于能量在初始阶段就向多个方向传播，而不是沿一个方向深入，从而诱发级联分支和分裂。
2. 化学与晶格畸变：HEA中严重的晶格畸变和化学无序，使得原子间的碰撞截面不再是均匀的。PKA在运动路径上会遇到质量、尺寸、键合强度各不相同的原子，其运动轨迹更容易被随机扰动和分散，进一步促进了级联的分裂。
3. 热峰寿命：未分裂的紧凑级联会形成一个集中、高温的热峰，其寿命较长（见图9中W和Ta作为PKA的曲线，热峰衰减更慢）。较长的热峰寿命虽然增加了点缺陷在热峰内的复合机会（降低最终FP总数），但也为缺陷在高温下的迁移和聚集提供了时间窗口，有利于大团簇的形成。而分裂的级联产生多个小热峰，冷却更快，缺陷被“冻结”在分散状态。

5. 实操、心得与未来展望

5.1 分子动力学模拟实操要点与避坑指南

基于此项研究，进行类似的高熵合金辐照模拟时，有几个关键实操点需要特别注意：

5.1.1 势函数的选择���验证是生命线

• 切勿直接套用纯金属势：这是最常见的错误。即使有Mo、Nb、Ta、V、W各自的EAM势，简单通过混合规则构建的合金势，对于HEA往往误差巨大，尤其在缺陷能量、表面能等方面。机器学习势是目前的最优解，但必须确保其训练数据集覆盖了合金成分空间、各类缺陷、液态及高压短程排斥等关键区域。
• 务必进行系统性验证：在跑级联之前，必须像本文第三部分那样，对势函数进行“体检”。至少包括：晶格常数、弹性常数、空位/间隙形成能（分布）、熔点（或至少是熔化趋势）。与可靠的DFT或实验数据对比。对于辐照研究，离位阈值能量的验证尤为重要，它直接关系到损伤产量的基准。
• 关注ZBL势的平滑过渡：高能级联模拟必须考虑短程排斥势。确保NEP-ZBL（或类似方案）在1-2埃的过渡区间内平滑衔接。检查 dimer curve（二聚体能量-距离曲线）是否平滑、无异常震荡。

5.1.2 模拟设置中的细节决定成败

• PKA方向选择：为避免沟道效应（channeling）导致PKA长距离运动、低估损伤，应选择高指数方向，如<135>。本文即采用此方向。在实际研究中，若想全面评估，可能需要采样多个随机方向。
• 系统尺寸与边界条件：盒子必须足够大，以确保级联产生的热峰和压力波不会受到周期性镜像的干扰。一个经验法则是，盒子边长至少是级联损伤区域最大尺寸的2-3倍。边界区域（通常3-5个晶格常数厚度）应采用热浴控温，以耗散级联产生的热量，模拟无限大基体的热沉作用。
• 电子阻止本领：对于能量高于10 eV的原子，必须考虑电子能量损失（电子阻止）。本文使用了SRIM数据。忽略此项会导致高能PKA射程过长，热峰温度过高，影响缺陷产量和分布。
• 统计显著性：由于级联过程的随机性，单次模拟毫无意义。必须在每个能量点、每种PKA类型下进行足够多次（通常≥10次，本文达50次）的独立模拟，取统计平均。误差棒（标准差）是评估结果可靠性的重要指标。

5.1.3 缺陷识别与分析技巧

• Wigner-Seitz 方法：识别点缺陷（空位和间隙原子）最稳健的方法是Wigner-Seitz元胞法。它基于理想晶格位置，不依赖于固定的距离截断，对于畸变严重的级联区域更可靠。
• 团簇分析截断半径的选择：将点缺陷归类为团簇时，截断半径的选择需要小心。通常，空位团簇的截断半径设在第二和第三近邻距离之间，间隙原子团簇的截断半径设在第三和第四近邻之间。需要测试不同截断值对团簇统计结果的影响，确保结论的稳健性。
• 可视化是关键：使用OVITO等工具可视化级联的峰值损伤状态和最终缺陷构型。直观观察亚级联分裂、熔融区形态、缺陷分布，是理解物理机制不可替代的一步。不要只依赖数字统计。

5.2 研究的心得体会与延伸思考

完成这项研究后，我对于利用机器学习势和分子动力学模拟研究复杂材料辐照行为，有了几点深刻的体会：

1. “化学无序”是一把双刃剑，但利大于弊：传统观点认为，高熵合金中严重的晶格畸变会增加散射，可能产生更多点缺陷。我们的模拟证实了这一点（FP产量更高）。但更重要的发现是，这种无序性通过促进亚级联分裂，改变了缺陷演化的路径，将可能形成的大害（大间隙原子团簇）转化为多个小害（分散的小缺陷或空位团簇）。这种“以空间换稳定”的策略，是HEA抗辐照的核心机制之一。
2. 轻元素PKA的角色被低估了：在考虑辐照粒子种类时，人们往往关注重离子（如自离子、中子撞出的重反冲核）。但我们的工作表明，在HEA中，轻元素作为PKA可能更易触发级联分裂，从而间接提升了抗辐照性能。在实际辐照环境中（如聚变堆，包含D、T、He等多种粒子），轻粒子的这种效应需要被纳入考量。
3. 损伤模型需要“个性化”：NRT-dpa或标准arc-dpa模型用于评估HEA的辐照损伤剂量（如dpa值）可能会产生显著偏差。本文提出的扩展模型提供了一个考虑元素特性的框架。虽然其参数仍需通过模拟或实验确定，但这指明了未来更精确量化多元合金损伤剂量的方向。
4. 机器学习势开启了高通量筛选的大门：传统势函数开发周期长，一个合金体系一个势。而机器学习势，一旦建立了可靠的训练流程和数据集，可以相对快速地扩展到新的成分。结合自动化模拟流程，未来有望对庞大的高熵合金成分空间进行高通量的辐照损伤初步筛选，加速抗辐照材料的发现。

5.3 未来工作展望

本研究聚焦于初级损伤（约100 ps内）。材料的最终性能退化取决于缺陷在长时间尺度（秒、小时、年）下的演化。未来的工作可以沿着以下几个方向深入：

• 长时间尺度模拟：结合动力学蒙特卡洛或加速分子动力学方法，研究间隙原子/空位团簇在HEA中的迁移、融合、湮灭过程，以及它们与溶质原子的相互作用。
• 化学有序的影响：本文假设完全随机固溶体。实际HEA中可能存在短程有序甚至中程有序。研究这种有序性如何影响碰撞概率、PKA路径和亚级联分裂，将非常有趣。
• 多粒子辐照与高温效应：模拟氢、氦等气体原子的共注入行为，以及高温（如服役温度）下缺陷产生与退火率的竞争。
• 与宏观性能关联：将模拟得到的缺陷类型、密度、尺寸分布，作为输入参数，通过离散位错动力学或晶体塑性有限元等方法，预测材料的辐照硬化、脆化等宏观力学性能变化，实现从原子到宏观的跨尺度关联。

这项工作就像用一台超高分辨率的原子摄像机，拍摄下了高熵合金在辐照冲击下的“第一现场”。我们看到，化学无序带来的并非混乱，而是一种精妙的“耗散”艺术，它将毁灭性的集中能量冲击，化解为无数可管理的微小扰动。这不仅是材料科学中的一个具体机制，更是一种关于如何在复杂体系中实现鲁棒性和抗损伤能力的深刻启示。机器学习势函数作为这架摄像机的核心镜头，正让我们看得越来越清晰，也必将引领我们在设计面向极端环境的新材料道路上走得更远。