התקדמות במדעי החומרים נשענת יותר ויותר על שיטות חישוביות כדי להבין ולנבא את המאפיינים של ⁇ מורכבים.גישה מבטיחה אחת היא היישום של טכניקות למידת מכונה (ML) לנבא תכונות גבול דגנים, אשר קריטיים בקביעת הביצועים המכניים והרמיאומטיים של חומרים.

הבנת Grain Boundaries in Complex Alloys

גבולות Grain הם ממשקים שבהם גבישים של אוריינטציה שונה נפגשים בתוך מתכת או סגסוגת. הגבולות האלה משפיעים באופן משמעותי על תכונות כגון כוח, דוקטריות, עמידות קורוזיה, ו מוליכות. בסגסוגת מורכבת, המכילה אלמנטים מרובים ושלבים, החיזוי תכונות אלה הופך מאתגר עקב אינטראקציות אטומיות מורכבות מעורב.

תפקיד הלמידה של מכונות בחיזוי

למידת מכונה מציעה גישה מבוססת נתונים למודל את הקשר בין מבנים אטומיים לנכסים גבולות דגנים.על ידי אלגוריתמים על נתונים גדולים שמקורם בניסויים וסימולציות, החוקרים יכולים לפתח מודלים חיזויים ההערכות תכונות כמו אנרגיה בגבולות, ניידות ונטיות הפרדה עם דיוק גבוה.

איסוף נתונים והנדסת תכונות

מודלים יעילים של ML דורשים נתונים נרחבים, כולל תצורה אטומית, יצירות אלמנטליות, ותכונות הגבול נמדדות.תכונות כגון סביבות אטומיות מקומיות, זוויות לא הולמות, וחלוקות אופי הגבול מונדסות לשרת כקלטות עבור האלגוריתמים.

טכניקות למידת מכונות המשמשות

  • יערות אקראיים
  • מכונות Vector
  • רשתות
  • מכונות Boosting

טכניקות אלה יכולות ללכוד מערכות יחסים מורכבות, לא לינאריות ולשפר דיוק חיזוי.מודלים למידה עמוקה, במיוחד, הראו הבטחה בטיפול בנתונים תלת-ממדיים אופייניים לסגסוגת מורכבת.

יתרונות ואתגרים

באמצעות ML כדי לחזות את תכונות גבול דגנים מאיצה חומרים עיצוב על ידי צמצום ההסתמכות על ניסויים בזמן-consuming.זה מאפשר את חקר חללים ענקיים ומדריכי פיתוח ⁇ עבור יישומים ספציפיים.

עם זאת, אתגרים נשארים, כולל הצורך בנתונים איכותיים, הפרשנות של מודלים, והעברה על פני מערכות ⁇ שונות.מחקר מתמשך נועד לטפל בנושאים אלה ולשפר את האמינות של תחזיות ML.

כיוונים עתידיים

עבודה עתידית כוללת שילוב מודלים של ML עם סימולציות מרובות בקנה מידה ו לולאות משוב ניסיוניות.סינרגיה זו יכולה להוביל לתחזיות מדויקות יותר והבנה עמוקה יותר של תופעות גבול דגנים בסגסוגת מורכבת, בסופו של דבר לקדם את הנדסה חומרים וחדשנות.