跳转到正文

pycalphad Skill (K-Dense)

K-Dense Inc.

K-Dense 集合中的一项 Skill,包含用于 pycalphad TDB 平衡计算的说明和本地辅助工具,可导出摩尔相分数、成分及数值验证记录。

条目更新 ·

概览

pycalphad Skill (K-Dense) 属于 scientific-agent-skills 集合。它提供工作流程说明和随附的 Python 辅助工具,用于调用上游 pycalphad 软件包;它本身既不是该软件包,也不是自主运行的智能体。它旨在指导针对指定总成分、压力和温度列表进行有限温度 CALPHAD 平衡计算,并明确记录数据库来源与相选择决策。

输入包括本地热力学 TDB 数据库,以及定义组元、候选相、元素摩尔分数和条件的 JSON 设置。工作流程要求恰好提供 N-1 个独立元素分数,并指定一个非空位元素作为从属元素,而不是默默地对成分进行归一化。输出包括 report.json,其中记录设置、哈希值、数值检查以及基线/细化结果;还包括 phase-equilibria.csv,其中包含稳定成分集合和摩尔相分数。即使多个独立顶点具有相同的相名称,也会分别保留,便于检查同一相的互溶间隙。

该辅助工具会检查有限的吉布斯能、相分数总和、重构的总成分,以及增加相组成采样密度后的敏感性。这些检查用于评估数值一致性,并不能证明数据库符合实验事实,也不能证明结果是全局最小值。随附的 ideal-cu-ni.tdb 是假设性的教学模型,并非经过评估的 Cu-Ni 数据库。因此,解释真实合金需要使用适当的热力学数据库,并审查其许可条款和评估适用范围。该工作流程描述的是平衡,而非析出动力学或保留的亚稳组织;专门约束和自定义建模不属于该辅助工具文档所述范围。

主要功能

  • 指导针对一种元素总成分、一个压力和明确有限温度列表的本地 TDB 平衡计算。
  • 验证成分输入和相的兼容性,包括空位处理以及有序/无序候选相选择冲突。
  • 通过质量平衡、摩尔相分数总和和整个系统的吉布斯能检查,对比基线计算与提高采样密度后的计算。
  • 导出 report.json,记录数据库/设置哈希值、请求的成分与求解器施加的成分、排除的相、结果及明确显示的未通过检查。
  • 导出 phase-equilibria.csv,分别保留每个稳定成分集合,包括互溶间隙中同一相的多个顶点。
  • 包含假设性的 Cu-Ni 教学数据库和配置,供评估工作流程使用,但不将其作为真实材料的评估数据。

使用场景

  • 建议的评估:复现假设性的 Cu-Ni 示例,检查平衡输出、杠杆定律行为和数值检查报告。
  • 建议的评估:在用户提供的合金数据库所述评估适用范围内,考察平衡相分数随温度的变化。
  • 建议的评估:检查系线成分和同一相的互溶间隙顶点,同时核对重构的总成分。
  • 建议的评估:记录有意排除特定相对受约束平衡计算的影响,但不要将其解释为相变动力学预测。

使用方式

  1. 阅读指定的 Skill,并在该集合中找到其辅助工具、设置模板、教学数据库和验证参考资料。按照提供的环境要求和运行示例操作,不要自行编造安装选项。
  2. 确认 TDB 的来源、许可、评估情况,以及适用的温度、压力和成分范围。随附的假设性数据库仅用于教学或工作流程评估。
  3. 检查组元和相,记录排除项,并准备设置:包含 N-1 个独立元素摩尔分数、一个从属元素、以 K 表示的温度和以 Pa 表示的压力。提前转换以质量为基础的成分。
  4. 按文档说明运行本地辅助工具,并将输出写入新的目录。检查 report.json 中的相分数总和、质量平衡、采样敏感性和求解器成分调整检查;在相变附近细化温度和采样设置。
  5. 参考相成分文档解读 phase-equilibria.csv。报告摩尔分数、分别列出的成分集合、数据库来源、排除项和未解决的局限。其吉布斯能列表示整个系统的吉布斯能,而非各个单独相的吉布斯能。

相关资源

ALIGNN

模型

ALIGNN 提供用于材料性质预测的原子图神经网络,并包含训练工作流、预训练预测器和用于结构优化的 ALIGNN-FF 力场。

开源Python

材料发现

Allegro

模型

Allegro 在 NequIP 框架中作为扩展实现 E(3)-等变原子间势,并提供文档说明的 GPU 加速选项,以及用于 LAMMPS 模拟的独立插件。

开源Python

计算化学 · 材料发现

computational-chemistry-agent-skills 集合中的 ASE 路由 Skill,将工作流准备与计算器配置分开,并将执行委托给其他环节。

计算化学 · 材料发现

CGCNN

模型

CGCNN 实现了晶体图卷积神经网络,可根据晶体结构学习材料性质,并支持使用自定义数据训练模型以及使用预训练模型进行预测。

开源Python

材料发现

ChatMOF

智能体

ChatMOF 是一个代码可用的研究系统,利用语言模型引导的工具,根据自然语言请求检索 MOF 数据、预测性质并生成结构。

开源Python

材料发现

ChemAgent (AI4Chem) 是一个面向化学与材料领域工具使用的研究框架,与 CheMatAgent 论文相关;该论文介绍了基于树搜索的规划、工具执行以及基于 ChemToolBench 的训练。

计算化学 · 材料发现

相关指南

工作流

材料科学 AI 工具指南:MCP、Agent 与 Skills

材料数据库、研究智能体与科学 Skills 实用指南:如何组织晶体筛选、计算与分析,同时区分凸包、平衡、声子和实验稳定性相关主张。

技能

化学 AI Skills 是什么?科研 Agent 的能力模块详解

了解化学 AI Skills 如何作为可复用的流程模块:`SKILL.md` 包含什么内容,宿主如何加载指令,Skills 与 MCP 和智能体有何区别,以及如何选择、组合和评估它们,同时避免将操作指导误认为科学验证。

工作流

计算化学 AI 工作流:从结构到模拟与结果分析

借助 AI Skills 构建重视证据的计算化学工作流,涵盖结构准备、声子、气相着火、CALPHAD 平衡和反应分子动力学分析,同时明确真实输入、执行依赖和科学验证。