The analysis of the damage on plasma facing materials (PFM), due to their direct interaction with the plasma environment, is needed to build the next generation of nuclear fusion reactors. After systematic analyses of numerous materials over the last decades, tungsten has become the most promising candidate for a nuclear fusion reactor. In this work, we perform molecular dynamics (MD) simulations using a machine learned interatomic potential, based on the Gaussian Approximation Potential framework, to model better neutron bombardment mechanisms in pristine W lattices. The MD potential is trained to reproduce realistic short-range dynamics, the liquid phase, and the material recrystallization, which are important for collision cascades. The formation of point defects is quantified and classified by a descriptor vector (DV) based method, which is independent of the sample temperature and its constituents, requiring only modest computational resources. The locations of vacancies are calculated by the k-d-tree algorithm. The analysis of the damage in the W samples is compared to results obtained by Finnis–Sinclair and Tersoff–Ziegler–Biersack–Littmark potentials, at a sample temperature of 300 K and a primary knock-on atom (PKA) energy range of 0.5–10 keV, where a good agreement with the reported number of Frenkel pair is observed. Our results provide information about the advantages and limits of the machine learned MD simulations with respect to the standard ones. The formation of dumbbell and crowdion defects as a function of PKA energy were identified and distinguished by our DV method.

由于其与等离子体环境的直接相互作用，需要对面对等离子体的材料（PFM）的损坏进行分析，以构建下一代核聚变反应堆。在过去几十年中对多种材料进行了系统分析之后，钨已成为核聚变反应堆最有希望的候选者。在这项工作中，我们基于高斯近似势框架，使用机器学习的原子间势进行分子动力学（MD）模拟，以对原始W晶格中更好的中子轰击机理进行建模。MD电位经过训练，可以重现逼真的短程动力学，液相和材料重结晶，这对于碰撞级联非常重要。点缺陷的形成通过基于描述符向量（DV）的方法进行量化和分类，它与样品温度及其成分无关，只需要适度的计算资源。空位的位置是通过kd-tree算法计算的。在样品温度为300 K且主连锁原子（PKA）能量范围为0.5– 10 keV，观察到与报道的Frenkel对数量有很好的一致性。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷是PKA能量的函数，并通过我们的DV方法进行了识别和区分。仅需要适度的计算资源。空位的位置是通过kd-tree算法计算的。在样品温度为300 K，主连锁原子（PKA）能量范围为0.5 –的条件下，将W样品中的损伤分析与Finnis–Sinclair和Tersoff–Ziegler–Biersack–Littmark势获得的结果进行比较。 10 keV，观察到与报告的Frenkel对数量吻合良好。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。仅需要适度的计算资源。空位的位置是通过kd-tree算法计算的。在样品温度为300 K，主连锁原子（PKA）能量范围为0.5 –的条件下，将W样品中的损伤分析与Finnis–Sinclair和Tersoff–Ziegler–Biersack–Littmark势获得的结果进行比较。 10 keV，观察到与报告的Frenkel对数量吻合良好。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。在样品温度为300 K，主连锁原子（PKA）能量范围为0.5 –的条件下，将W样品中的损伤分析与Finnis–Sinclair和Tersoff–Ziegler–Biersack–Littmark势获得的结果进行比较。 10 keV，观察到与报告的Frenkel对数量吻合良好。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。在样品温度为300 K，主连锁原子（PKA）能量范围为0.5 –的条件下，将W样品中的损伤分析与Finnis–Sinclair和Tersoff–Ziegler–Biersack–Littmark势获得的结果进行比较。 10 keV，观察到与报告的Frenkel对数量吻合良好。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。我们的结果提供了有关机器学习的MD模拟相对于标准模拟的优势和局限性的信息。哑铃的形成和拥挤缺陷与PKA能量的关系已通过我们的DV方法得以识别和区分。