数据驱动的机器学习预测单层 TMD 力学性能
材料科学
2022-08-12 v1 无序系统与神经网络
摘要
理解层状过渡金属硫族化物（TMDs）的材料性能对其在结构复合材料中的应用至关重要。与传统实验或计算方法相反，数据驱动的机器学习（ML）方法正被开发用于预测和理解不同操作条件下的材料性能。在本研究中，我们使用了两种 ML 算法，即长短期记忆网络（LSTM）和前馈神经网络（FFNN），结合分子动力学（MD）模拟来预测 MX2（M = Mo、W，X = S、Se）TMDs 的力学性能。研究发现 LSTM 模型能够预测完整的应力-应变响应，而 FFNN 用于预测断裂应力、断裂应变和杨氏模量等材料性能。操作温度、手性取向和预存裂纹尺寸对力学性能的影响得到了彻底研究。我们进行了 1440 次 MD 模拟以产生神经网络模型的输入数据集。我们的结果表明，LSTM 和 FFNN 均能够以超过 95% 的准确率预测不同条件下单层 TMDs 的力学响应。FFNN 模型比 LSTM 计算成本更低；然而，LSTM 模型预测完整应力-应变曲线的能力在评估材料性能方面具有优势。该研究为扩展此方法以预测 TMDs 的其他重要性能（如光学、电学和磁学性能）铺平了道路。
引用
@article{arxiv.2208.05546,
title = {Data-Driven Machine Learning to Predict Mechanical Properties of Monolayer TMDs},
author = {Prottay Malakar and Md Shajedul Hoque Thakur and Shahriar Muhammad Nahid and Md Mahbubul Islam},
journal= {arXiv preprint arXiv:2208.05546},
year = {2022}
}