通过物理迁移学习发现高强度合金
材料科学
2025-01-28 v2 机器学习
计算物理
摘要
预测材料强度需要考虑各种长度和时间尺度，并在准确性和效率之间取得平衡。Peierls 应力通过评估位错对塑性流动的阻力来衡量材料强度，这依赖于弹性晶格响应和晶体滑移能景。由于位错的非局域和非平衡性质带来的计算挑战，使得从最先进的材料数据库中评估 Peierls 应力变得不可行。我们提出了一种数据驱动框架，利用在力场模拟上训练的神经网络来理解晶体塑性物理，从而从通过密度泛函理论计算得出的材料参数中预测 Peierls 应力，而这些参数若直接用于位错建模则计算成本极高。这种物理迁移方法成功地通过有限数量的单点计算，以化学精度筛选了金属合金的强度。在这些预测的指导下，我们利用高通量离子束沉积技术制造了此前未被探索的高强度二元合金。该框架通过利用材料科学中多尺度模型的物理层级，扩展到了普遍面临的准确性与性能困境问题。
引用
@article{arxiv.2403.07526,
title = {Discovering High-Strength Alloys via Physics-Transfer Learning},
author = {Yingjie Zhao and Hongbo Zhou and Zian Zhang and Zhenxing Bo and Baoan Sun and Minqiang Jiang and Zhiping Xu},
journal= {arXiv preprint arXiv:2403.07526},
year = {2025}
}