Benchmarking 34 OpenKIM Nickel Potentials with an Emphasis on Surfaces and Extended Defects
Notice bibliographique
Résumé
We present an automated benchmarking suite for face-centered-cubic (FCC) nickel that evaluates 47 quantitative metrics spanning both standard tests (equation of state, elastic constants, surface energies and phonons) and application-specific scenarios such as defect formation and migration, grain boundaries, step edges, close-range interactions, and vacancy cluster energetics. Using this framework, we assess 34 interatomic potentials from the OpenKIM repository, including pairwise, embedded-atom, modified-embedded-atom, angular-dependent, and spectral neighbor analysis potentials (SNAP). Results are compared against ab initio benchmarks compiled from the literature. Most potentials accurately reproduce lattice parameters, elastic constants, and surface energies, whereas predictive accuracy degrades for migration barriers and short-range compression. Principal-component analysis identifies correlated property groups and a partially orthogonal component associated with migration and short-range physics, revealing Pareto trade-offs between accuracy domains. SNAP models occupy the lowest-error frontier, although several embedded-atom potentials remain competitive across many metrics. The framework provides a reproducible baseline for potential selection, highlights systematic limitations across formalisms, and supports benchmarking-in-the-loop strategies for developing next-generation machine-learning potentials for Ni and Ni-based alloys.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».