用于预测化学复杂环境中晶界偏析的机器学习框架
材料科学
2024-06-11 v2
摘要
复杂成分合金的发现揭示了具有多样化原子环境的材料，推动了超越稀合金的溶质偏析探索。数据驱动方法为建模此类化学复杂环境中的偏析提供了前景，本研究采用该方法来理解难熔复杂成分合金 NbMoTaW 的偏析行为。我们开发了一种灵活的方法，使用可组合的计算模块，通过这些模块的不同排列来获取绝对零度下的位置可用性以及超越稀极限的相应态密度，从而生成包含 1000 万个数据点的超大规模数据集。本文开发的人工神经网络可以仅依靠局部原子环境的描述，以极小的误差预测稀极限下的行为，而通过增加负偏析实例分类，可以对三元或四元合金中从零到等原子浓度的任何溶质浓度在室温下进行建模。因此，该机器学习模型比传统原子模拟快四个数量级，在获得显著速度优势的同时，精度仅有极小降低。这种效率为在未见领域进行快速微观结构和界面设计提供了强大工具。在科学上，我们的方法揭示了 Mo 的偏析行为从简单系统中的不利到复杂环境中的有利的转变。此外，观察到溶质浓度增加会导致反偏析位置开始被填充，这挑战了传统认知，并突显了化学复杂环境中偏析动力学的复杂性。
引用
@article{arxiv.2404.06499,
title = {A Machine Learning Framework for the Prediction of Grain Boundary Segregation in Chemically Complex Environments},
author = {Doruk Aksoy and Jian Luo and Penghui Cao and Timothy J. Rupert},
journal= {arXiv preprint arXiv:2404.06499},
year = {2024}
}