Redian新闻
>
Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型

Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

由四种或四种以上元素组成的多主元素合金具有巨大的组分空间和复杂的相互作用,因而难以用现有的物理模型进行精确诠释或预测,这也给研究者带来了的挑战。第一性原理计算能够准确预测零温下多主元素合金的相稳定性、硬度等物理性质,但在有限温度下实现性能的预测则相当耗时。同时,相关的实验探索也同样因为组分空间庞大而非常昂贵。考虑到这些限制因素,再加上近十年来积累的大量有关多主元素合金的数据,基于机器学习的方法迅速受到了人们的关注。然而,机器学习方法存在一个典型的缺陷,即物理上可解释的少参数模型达不到精度要求,而高精度的多参数模型又缺乏物理可诠释性。


来自印度理工学院冶金与材料工程系的D. Beniwal等人,提出了一种机器学习策略,可以通过单元素与合金描述符来驱动人造神经网络集合,从而实现多主元素合金硬度的快速预测和探索。作者使用密度泛函理论计算了合金体系的总能量和电子结构,应用热力学线性响应理论分析了系统的化学短程序,揭示了体系的相稳定性、电子效应和短程序/团簇等物理机制与机器学习方法预测硬度之间的关系。为深入理解决策过程,作者开发了一种使用局部偏依赖关系和刺激-响应特征的机器学习模型,并通过预测原子间相互作用(如形成焓和键合特性)、局部晶格畸变(如尺寸不对称、弹性焓和应变能)以及相分类,实现了机器学习模型的解码,成功揭示了该模型如何利用不同特征进行硬度物理起源的捕捉。该工作提出的机器学习框架能够有效探索多主元素合金广阔的组分空间,解码方法也可以扩展到任意机器学习模型中,因而有助于加深对现有以及未来机器学习模型的基本理解。


该文近期发表于npj Computational Materials 8:153(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。




Distilling physical origins of hardness in multi-principal element alloys directly from ensemble neural network models


D. Beniwal, P. Singh, S. Gupta, M. J. Kramer, D. D. Johnson & P. K. Ray 

npj Computational Materials  8: 153 (2022).


Despite a plethora of data being generated on the mechanical behavior of multi-principal element alloys, a systematic assessment remains inaccessible via Edisonian approaches. We approach this challenge by considering the specific case of alloy hardness, and present a machine-learning framework that captures the essential physical features contributing to hardness and allows high-throughput exploration of multi-dimensional compositional space. The model, tested on diverse datasets, was used to explore and successfully predict hardness in AlxTiy(CrFeNi)1-x-y, HfxCoy(CrFeNi)1-x-y and Alx(TiZrHf)1-x systems supported by data from density-functional theory predicted phase stability and ordering behavior. The experimental validation of hardness was done on TiZrHfAlx. The selected systems pose diverse challenges due to the presence of ordering and clustering pairs, as well as vacancy-stabilized novel structures. We also present a detailed model analysis that integrates local partial-dependencies with a compositional-stimulus and model-response study to derive material-specific insights from the decision-making process.


扩展阅读

 
nbpjNpj Comput. Mater.: 材料角度信息—图神经网络
Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验
Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!
Npj Comput. Mater.: 欲探新材,先学淘宝
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
老年三福与笑的哲学---柳无忌告老心言Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: 原子间势—准确性和可迁移性Npj Comput. Mater.: 打开黑盒子—可解释的机器学习为文学城男博主们画像Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习Npj Comput. Mater.: 极端机械性能—无边界-无目标搜索及其他Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型美国入境档案--葛庭燧和何怡贞日本啊,日本(八)苏州园林Npj Comput. Mater.: 沸石—大规模精确模拟Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习一文详解Prompt学习和微调(Prompt Learning & Prompt Tuning)Npj Comput. Mater.: 欲探新材,先学淘宝Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络Npj Comput. Mater.: 结构描述符大佬观点—不是越精确越好Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFT习近平非常聪明,中国放开正当时Npj Comput. Mater.: 聚簇描述—机器学习法实现外推Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测Npj Comput. Mater.: 低温晶界迁移—经典模型Npj Comput. Mater.: 材料预测—精确可传递Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验GNN如何建模时空信息?伦敦玛丽女王大学「时空图神经网络」综述,简明阐述时空图神经网络方法博士生申请 | UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士Npj Comput. Mater.: 局部原子邻域描述符—无损压缩Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?【前瞻 Prospect Series 02】复星创富 X MIT CEO 线上分享会—集成电路与软件引领大算力时代的机遇与挑战
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。