Determinación de curvas de fusión de aleaciones FE-S a condiciones de interiores planetarios mediante un potencial de machine learning

Abstract

Las curvas de fusión se han estudiado experimental y teóricamente para comprender las propiedades de los materiales en condiciones extremas del interior terrestre, donde las temperaturas pueden alcanzar los 6000 K y las presiones superar los 330 GPa. Para estos estudios, se emplean técnicas experimentales, como la Celda de Yunque de Diamante (DAC), y métodos teóricos, como la teoría del funcional de la densidad (DFT). Sin embargo, los resultados suelen presentar discrepancias y su obtención implica un alto costo. Este estudio tiene como objetivo analizar las propiedades de determinados materiales mediante el uso de potenciales de aprendizaje automático (Machine Learning) aplicados a cálculos teóricos, utilizando dinámica molecular. Estos métodos emplean técnicas de mecánica cuántica basadas en la teoría del funcional de la densidad (DFT), con aproximaciones de gradiente generalizadas en los sistemas: hierro con azufre en distintas concentraciones (FexSyFexSy), hierro en estructura Hexagonal Close-Packed o Empaquetamiento Compacto Hexagonal (FeHCPFeHCP) y hierro en estructura Body-Centered Cubic o Cúbica Centrada en el Cuerpo (FeBCCFeBCC). Mediante el uso de superceldas, este estudio busca conocer la ecuación de estado de estas tres estructuras puras, con el objetivo de compararlas con los datos existentes usados y validar la eficiencia del potencial, así como la curva de fusión eutéctica del FeHCPFeHCP. Los resultados de la ecuación de estado de Birch-Murnaghan en tercer orden, concuerdan muy bien con los módulos de compresibilidad isentrópica en FeHCP FeHCP y FeBCCFeBCC de acuerdo con los modelos de Alfe (2002) y Sherman (1995) para condiciones de altas presiones. Para FexSFexS , se compara con el usado por Valencia (2022) y Chen (2007). Finalmente, para las curvas de fusión FeHCP FeHCP los modelos se asemejan con resultados usando técnicas Stillinger-Weber o SW (Alfe,2002) y las DAC (Morard, 2018). Siendo nuestro potencial un buen candidato para hacer análisis computacional de componentes hierro azufre teniendo valores cercanos a los anteriormente ya hechos con un menor costo computacional y tiempo.