图神经网络秒级预测钨中氢输运：氦泡+晶界微结构的扩散与导热张量 surrogate 模型

8月18日消息，日本研究团队S. Saito、M.I. Kobayashi与T. Kasahara在arXiv发表预印本（8月16日提交，编号2608.15609），提出一种图神经网络（GNN）代理模型，用于快速预测含缺陷钨材料中的氢输运与热传导性质。

聚变装置中面向等离子体的钨部件，其内部的氦泡与晶界会将氢同位素输运与热传导改变数个数量级，但评估给定微结构的这些输运性质，每个构型需要数小时的分子动力学（MD）模拟。该研究构建的GNN代理模型，可将含氦泡与晶界的钨原子构型直接映射为任意温度下氢扩散系数D_H(T)与热导率κ(T)的完整3×3对称张量。

方法设计上有两个要点：各向异性通过旋转等变的张量池化层捕捉；温度依赖则以解析形式进入——模型预测温度无关参数（Arrhenius对(D0, Ea)、声子热导张量与缺陷残余电阻率），再经Arrhenius与Wiedemann-Franz-Matthiessen关系展开。训练标签来自635个微结构的嵌入原子法MD模拟（Green-Kubo热导与多温度示踪扩散），电子通道则对照已发表的辐照退化实验数据校准。

氚滞留与热负荷管理是磁约束聚变堆材料寿命评估的两条硬约束，而真实微结构包含的缺陷组合近乎无限，逐构型MD在工程时间尺度上不可行。这类以物理定律约束输出形式的机器学习代理，把单次评估从小时级压缩到秒级，为聚变材料的多尺度服役寿命模拟提供了可嵌入的构件。 （来源：arXiv）