Machine Learning potential for the tungsten-hydrogen system

This database was developed as part of a study focused on the interaction between hydrogen atoms and 1/2 <111> screw dislocations in tungsten, a metal of strategic interest for nuclear applications, particularly as a structural material in fusion reactors. The objective of this work is to provide a machine learning (ML) interatomic potential capable of accurately reproducing properties obtained from ab initio calculations, while being efficient enough for large-scale molecular dynamics (MD) simulations. The ML potential was trained on data generated using density functional theory (DFT), including representative configurations of H–W interactions in various environments: isolated atoms, bulk systems, surfaces, crystalline defects, and dislocations. In particular, the dataset emphasizes hydrogen-decorated dislocation core structures in order to reliably capture segregation effects and changes in dislocation mobility. This database enabled the development of an ML potential specifically designed for use with the massively parallel molecular dynamics code LAMMPS, thus allowing realistic atomistic simulations of the tungsten–hydrogen system at the nanoscale. The resulting ML potential was employed to investigate hydrogen-decorated dislocation cores in tungsten. FRANÇAIS Cette base de données a été développée dans le cadre d’une étude portant sur l’interaction entre des atomes d’hydrogène et des dislocations vis 1/2 <111> dans le tungstène, un métal d’intérêt stratégique pour les applications nucléaires, notamment en tant que matériau de structure dans les réacteurs à fusion. L’objectif de ce travail est de fournir un potentiel interatomique de type machine learning (ML) permettant de reproduire avec précision les propriétés issues de calculs ab initio, tout en étant suffisamment efficace pour des simulations à grande échelle en dynamique moléculaire. Le potentiel ML a été entraîné à partir de données obtenues par la théorie de la fonctionnelle de la densité (DFT), incluant des configurations représentatives de l’interaction H–W dans différentes situations : atomes isolés, configurations en vrac, surfaces, défauts cristallins et dislocations. En particulier, le jeu de données met l'accent sur les structures de cœur de dislocation décorées par l’hydrogène, afin de capturer de manière fiable les effets de ségrégation et de modification de la mobilité des dislocations. Cette base de données a permis de développer un potentiel ML spécifiquement conçu pour être utilisé avec le code de dynamique moléculaire parallèle LAMMPS, facilitant ainsi les simulations atomistiques réalistes du système tungstène–hydrogène à l’échelle nanométrique. Elle est composée de trois éléments principaux : Le potentiel ainsi entraîné a été utilisé pour explorer les cœur de dislocation décorées par l’hydrogène. The database was generated using VASP 6.4.0, and the potential was fitted with the Milady framework (version from July 2024).