卷积神经网络实现多主元合金中路径依赖扩散势垒谱的高保真预测
材料科学
2022-09-15 v3 无序系统与神经网络
应用物理
摘要
新兴的多主元合金（MPEAs）提供了广阔的成分空间，以搜寻技术进步所需新型材料。然而，如何从该庞大设计空间中高效确定具有目标性能的最优成分，是材料科学中的重大挑战。本文开发了一种卷积神经网络（CNN）模型，可准确高效地预测 MPEAs 在任意成分及给定合金体系内不同化学短程有序下的路径依赖空位迁移能垒——该能垒对扩散行为及诸多高温性能至关重要。CNN 模型的成功使其有望用于构建不同 MPEA 体系的扩散势垒数据库，从而加速合金筛选以发现具期望性能的新成分。此外，揭示了与迁移能垒相关的局域构型特征长度尺度，并讨论了该成功对材料科学其他方面的意义。
引用
@article{arxiv.2203.06503,
title = {Convolutional neural networks enable high-fidelity prediction of path-dependent diffusion barrier spectra in multi-principal element alloys},
author = {Zhao Fan and Bin Xing and Penghui Cao},
journal= {arXiv preprint arXiv:2203.06503},
year = {2022}
}
备注
32 pages, 5 figures in the main text and 9 supplementary figures