用于发现延性合金的AI加速材料信息学方法
材料科学
2022-10-17 v1
摘要
在计算材料科学中，预测合金宏观（如力学）性质的常用手段是借助依赖于某些材料性质（弹性常数、错配体积等）的描述符组合来定义模型，以表征宏观行为。这些材料性质通常使用特殊准随机结构（SQSs）结合密度泛函理论（DFT）计算。然而，DFT随原子数呈三次方 scaling，因此难以用于大量合金成分的筛选。本文提出一种结合建模方法与机器学习原子间势的新方法。机器学习原子间势比DFT快数个数量级，同时达到相近精度，从而实现对整个合金空间可预测且易处理的高通量筛选。所提方法以预测中熵合金Mo-Nb-Ta的室温延性为例加以说明。
引用
@article{arxiv.2210.07683,
title = {AI-accelerated Materials Informatics Method for the Discovery of Ductile Alloys},
author = {Ivan Novikov and Olga Kovalyova and Alexander Shapeev and Max Hodapp},
journal= {arXiv preprint arXiv:2210.07683},
year = {2022}
}
备注
preprint accepted for publication