利用物理信息机器学习从原子尺度数据驱动建模位错迁移率
材料科学
2024-03-22 v1
摘要
位错迁移率决定了位错对施加应力的响应，是控制塑性变形演化的晶体材料基本属性。推导迁移率定律的传统方法依赖于底层物理的现象学模型，其自由参数进而被拟合到在不同温度和应力条件下少量由直觉驱动的原子尺度模拟。对于具有对应力、温度和局部环境复杂依赖关系的材料，如体心立方晶体 (BCC) 金属与合金，这种繁琐且耗时的方法变得尤为棘手。在本文中，我们提出了一种新颖的、由不确定性量化驱动的主动学习范式，使用具有物理信息架构的图神经网络 (GNN)，从自动化的高通量大规模分子动力学模拟中学习位错迁移率定律。我们证明，与 BCC 金属中现有的现象学迁移率定律相比，该物理信息图神经网络 (PI-GNN) 框架能更准确地捕捉底层物理。
引用
@article{arxiv.2403.14015,
title = {Data-Driven Modeling of Dislocation Mobility from Atomistics using Physics-Informed Machine Learning},
author = {Yifeng Tian and Soumendu Bagchi and Liam Myhill and Giacomo Po and Enrique Martinez and Yen Ting Lin and Nithin Mathew and Danny Perez},
journal= {arXiv preprint arXiv:2403.14015},
year = {2024}
}