关联金属玻璃中空隙分布与塑性异质性的可迁移机器学习框架
材料科学
2020-01-22 v2 计算物理
摘要
当金属玻璃（MGs）承受机械载荷时，原子的塑性响应是非均匀的。然而，未变形结构中存在的原子环境特征在何种程度和方式上决定了这种塑性异质性仍不清楚。在此，我们证明表征原子周围空隙分布的新颖位点环境特征结合机器学习（ML）能够可靠地识别若干 Cu-Zr 成分中的塑性位点。仅以淬火结构信息作为输入，基于 ML 的塑性概率估计（“淬火软度”度量）可识别可能在高应变下激活的塑性位点，仅在剪切带形成时丧失预测能力。此外，我们揭示，在单一成分和淬火速率上训练的淬火软度模型在泛化到不同成分及完全不同的 MG 体系（Ni62Nb38、Al90Sm10 和 Fe80P20）时较先前模型有实质性改进。我们的工作提出了一种通用的、以数据为中心的框架，有望用于解决 MGs 中任意位点特异性性质的结构起源问题。
引用
@article{arxiv.1904.03780,
title = {A transferable machine-learning framework linking interstice distribution and plastic heterogeneity in metallic glasses},
author = {Qi Wang and Anubhav Jain},
journal= {arXiv preprint arXiv:1904.03780},
year = {2020}
}