结合ab initio计算与机器学习加速堆叠错位能的预测
材料科学
2024-06-04 v1
摘要
堆叠错位能(SFEs)是理解金属和合金变形机制的关键参数，掌握来自ab initio计算的SFEs知识对于合金设计至关重要。本文所采用的数据驱动方法在预测广义堆叠错位能(GSFE)方面约快80倍，而这种预测通常需要从密度泛函理论(DFT)计算中直接获得，尤其是对于合金而言计算成本极高。用于训练机器学习算法的特征源自基于Friedel模型，揭示了d电子物理与过渡金属和合金变形行为之间的关联。基于机器学习模型的预测与实验数据一致。这一模型可作为快速筛选基于堆叠错位能的材料的手段，从而加速合金设计。
引用
@article{arxiv.2405.04876,
title = {Accelerating the prediction of stacking fault energy by combining ab initio calculations and machine learning},
author = {Albert Linda and Md. Faiz Akhtar and Shaswat Pathak and Somnath Bhowmick},
journal= {arXiv preprint arXiv:2405.04876},
year = {2024}
}