面向成分复杂合金快速定向合成的主动学习
材料科学
2024-03-12 v1 计算物理
摘要
下一代先进材料正趋向于日益复杂的成分。合成精确成分非常耗时，并且随着成分复杂度的增加，其需求呈指数级增长。经验丰富的人类操作员比初学者表现好得多，但当合成参数相互耦合时，仍难以持续达到精度。优化合成所需的时间成为了探索具有科学和技术吸引力的成分复杂材料的障碍。本研究展示了一种主动学习方法，用于优化具有多达五种主要元素的薄膜合金的物理气相沉积合成。我们比较了基于 Gaussian Process（GP）和 Random Forest（RF）模型的 AL。表现最佳的模型能够在 14 次迭代中发现目标五元合金的合成参数。我们还展示了这些模型在迁移学习任务中的能力。与仅在五元样本上训练的模型相比，在较低维系统（即三元、四元）上训练的 RF 和 GP 模型在预测准确性上表现出立竿见影的提升。此外，仅与目标成分共享少数元素的样本也可用于模型预训练。我们相信，此类 AL 方法可以被广泛采用，以显著加速成分复杂材料的探索。
引用
@article{arxiv.2403.06329,
title = {Active Learning for Rapid Targeted Synthesis of Compositionally Complex Alloys},
author = {Nathan Johnson and Aashwin Ananda Mishra and Apurva Mehta},
journal= {arXiv preprint arXiv:2403.06329},
year = {2024}
}