재료 과학의 발전은 점점 복잡 한 합금의 속성을 이해 하 고 예측 하는 복잡 한 방법에 의존 했다. 하나의 유망한 접근법은 기계 학습 (ML) 기법의 응용 프로그램 곡물 경계 속성을 예측, 재료의 기계적 및 열 성능 결정에 중요 한.

Complex Alloys의 곡물 경계를 이해하십시오.

곡물 경계는 금속 또는 합금 내에서 다른 오리엔테이션의 결정이 충족되는 인터페이스입니다. 이러한 경계는 강도, 연성, 내식성 및 전도성과 같은 두드러지게 영향을 줍니다. 복잡한 합금으로 여러 요소와 단계가 포함되며, 이러한 속성을 예측하는 것은 복잡성 원자 상호 작용으로 인해 도전됩니다.

사전의 기계 학습의 역할

기계 학습은 원자 구조와 곡물 경계 재산 사이의 관계를 모델링하는 데이터 중심 접근 방식을 제공합니다. 실험 및 시뮬레이션에서 파생 된 대형 데이터 세트의 교육 알고리즘에 의해 연구자들은 경계 에너지, 이동성 및 중도가 높은 정확도와 같은 예측 모델을 개발할 수 있습니다.

Data Collection 및 기능 엔지니어링

효과적인 ML 모델은 원자 구성, 요소 구성 및 측정 경계 속성을 포함하여 광범위한 데이터를 요구합니다. 로컬 원자 환경, misorientation 각도 및 경계 문자 배포와 같은 특징은 알고리즘에 대한 입력으로 제공하도록 설계되었습니다.

기계 학습 기술 사용

  • 무작위 숲
  • 지원 Vector 기계
  • Neural 네트워크
  • Gradient 부스트 기계

이 기술은 복잡한, 비선형 관계 및 예측 정확도를 향상시킬 수 있습니다. 특히 딥 학습 모델은 복잡한 합금의 전형적 차원 데이터를 처리하는 것을 약속합니다.

혜택 및 도전

ML을 사용하여 곡물 경계 특성을 예측하여 재료 디자인을 가속화합니다. 시간 소모 실험에 의존도를 감소시켜줍니다. 그것은 광대 한 구성 공간의 탐험을 가능하게하고 특정 응용 프로그램에 대한 합금 개발을 안내합니다.

그러나, 도전은, 다른 합금 체계의 맞은편에 고품질 자료, 해석성, 및 이동성을 위한 필요를 포함하여 남아 있습니다. 연구는 이 문제점을 해결하고 ML 예측의 신뢰성을 강화하는 것을 목표로 합니다.

미래 지향

미래 작업은 멀티 스케일 시뮬레이션 및 실험적 피드백 루프를 가진 ML 모델을 통합합니다. 이 시너지는 복잡한 합금의 곡물 경계 현상의 더 정확한 예측과 깊은 이해를 이어갈 수 있습니다. 궁극적으로 재료 공학 및 혁신을 추진.