Потенції в матеріалах науки все частіше використовуються на обчислювальних методах для розуміння і прогнозування властивостей складних сплавів. Один перспективний підхід - застосування машинного навчання (МЛ) методик для прогнозування граничних властивостей зернових, які критично при визначенні механічної та теплової продуктивності матеріалів.

Розуміння зернових зернових культур в комплексних сплавах

Зернові межі є інтерфейсами, де кристали різних орієнтацій відповідають в межах металу або сплаву. Ці межі істотно впливають на властивості, такі як міцність, провітрність, корозійна стійкість і провідність. У складних сплавах, які містять кілька елементів і фази, прогнозування цих властивостей стає складними через нетривалізовані атомні взаємодії.

Роль машинного навчання в прогнозі

Машинне навчання пропонує підхід до моделювання взаємозв’язків між атомними структурами та зерновими граничними властивостями. За допомогою алгоритмів підготовки на великих даних, отриманих від експериментів та симуляції, дослідники можуть розробити прогнозні моделі, які оцінюють властивості, такі як гранична енергія, мобільність, а також сегрегаційні тенденції з високою точністю.

Збір даних та спецтехніка

Для алгоритмів розроблені функції, що включають в себе вводи алгоритмів, які необхідні моделі МЛ, які вимагають великих даних, включаючи атомні конфігурації, елементарні композиції та вимірювані граничні властивості.

Техніка машинного навчання використовуються

  • Випадкові ліси
  • Підтримка Векторних машин
  • Неуралні мережі
  • Градієнт Boosting Machines

Ці методи можуть захоплювати складні, нелінійні відносини і поліпшити точність прогнозування. Глибокі моделі навчання, зокрема, показали обіцянку щодо обробки високовимірних даних, характерних для складних сплавів.

Переваги та виклики

Використання ML для прогнозування граничних властивостей зерна прискорює проектування матеріалів шляхом зменшення пружності на трудомістких експериментах. Це дозволяє проводити дослідження просторових композиційних просторів та напрямів сплаву для конкретних додатків.

Проте, залишаються проблеми, в тому числі необхідність якісних даних, інтерпретабельності моделей та переносності різних систем сплаву. Навчене дослідження спрямоване на вирішення цих питань та підвищення надійності ML прогнозів.

Майбутні напрямки

Майбутнє роботи передбачає інтеграцію моделей МЛ з багаторозмірними імітаційними та експериментальними зворотними петлями. Ця синергія може призвести до більш точного прогнозування та глибокого розуміння зернових крайових явищ у складних сплавах, в кінцевому підсумку, адвангардування матеріалів інженерно-інноваційні технології.