基于主动学习与分子动力学模拟寻找高熔点合金
材料科学
2021-10-18 v1 计算物理
摘要
主动学习(AL)可大幅加速材料发现；其能力已在各类材料与目标性质中得到展现。先前工作利用机器学习模型优化物理实验或基于物理的模拟的选择。然而，后一类努力大多局限于电子结构计算以及可在单胞层面获得且噪声可忽略的性质。我们将AL与分子动力学模拟耦合，以识别具有高熔点的多主元合金(MPCA)。基于通过nanoHUB的云计算服务，我们提出了一种完全自主的工作流，用于高效探索MPCA的高维成分空间。我们刻画了源于模拟随机性以及用于选择模拟的采集函数的不确定性如何影响该方法的收敛。有趣的是，我们发现具有显著不确定性的较短模拟可用于高效寻找所需合金，因为AL所用的随机森林模型会平均掉波动。
引用
@article{arxiv.2110.08136,
title = {Active learning and molecular dynamics simulations to find high melting temperature alloys},
author = {David E. Farache and Juan C. Verduzco and Zachary D. McClure and Saaketh Desai and Alejandro Strachan},
journal= {arXiv preprint arXiv:2110.08136},
year = {2021}
}
备注
23 pages, 11 figures