一种预测三元固溶体 Gibbs 自由能的神经网络方法
材料科学
2022-09-14 v1
摘要
我们提出一种以数据为中心的深度学习（DL）方法，利用神经网络（NNs）预测三元固溶体的热力学性质。我们探索如何用一个由 CALPHAD 数据库计算的 Gibbs 自由能数据集来训练 NNs，以预测作为成分和温度函数的三元体系。我们选取由 23 种元素组成的 226 个二元系在 11 种不同温度下的 FCC 固溶体相能量学来证明可行性。本研究所包含的二元数据点数量为 102,000。我们选取六个三元系来扩充二元数据集，以考察它们对 NN 预测精度的影响。我们检验了数据采样对 NNs 在所选三元系上预测精度的敏感性。预期当前的 DL 工作流程可通过集成超越元素成分的高级描述符以及更精心整理的训练数据集来进一步提升，从而改善预测精度与适用性。
引用
@article{arxiv.2209.05609,
title = {A Neural Network Approach to Predict Gibbs Free Energy of Ternary Solid Solutions},
author = {Paul Laiu and Ying Yang and Massimiliano Lupo Pasini and Jong Youl Choi and Dongwon Shin},
journal= {arXiv preprint arXiv:2209.05609},
year = {2022}
}