将强化学习与图卷积神经网络结合用于 TiAl/TiAlN 原子尺度界面高效设计
材料科学
2024-10-16 v1
摘要
Ti/TiN 涂层因其卓越的性能（如高硬度和韧性）而在广泛的工程应用中得到广泛利用。将 Al 掺杂到 Ti/TiN 中可进一步增强性能，实现更高的性能水平。因此，研究 TiAl/TiAlN 界面原子水平的行为至关重要。然而，由于 50 mol% Al 掺杂的 Ti/TiN 系统存在大量可能的组合，使用基于 DFT 的蒙特卡罗方法寻找具有高粘结能的最优 TiAl/TiAlN 系统会非常耗时。在本研究中，我们采用图卷积神经网络作为原子势能，结合强化学习，以提高寻找高粘结能最优结构的效率。通过检查神经网络中结构的特征，我们发现最优结构遵循在界面附近掺杂 Al 的特定模式。电子结构和键合分析表明，最优的 TiAl/TiAlN 结构具有更强的键合强度。我们预计，这种方法将显著加速先进陶瓷涂层的设计，从而为工程应用带来更耐用和更高效的材料。
引用
@article{arxiv.2410.11178,
title = {Combining Reinforcement Learning with Graph Convolutional Neural Networks for Efficient Design of TiAl/TiAlN Atomic-Scale Interfaces},
author = {Xinyu Jiang and Haofan Sun and Qiong Nian and Houlong Zhuang},
journal= {arXiv preprint arXiv:2410.11178},
year = {2024}
}