图神经网络是否适用于高熵合金？
机器学习
2025-04-04 v1 材料科学
摘要
图神经网络（GNNs）因其图表示的表达力而在晶体和分子的预测建模中大放异彩。然而，高熵合金（HEA）缺乏化学的长程有序性，限制了当前图表示的适用性。为克服这一挑战，我们提出将 HEA 表示为由局部环境（LE）图构成的集合。基于此表示，我们引入了 LESets 机器学习模型，这是一个准确且可解释的 GNN，用于 HEA 属性预测。我们展示了 LESets 在四元 HEA 的力学性能建模方面的准确性。通过分析和解释，我们进一步提炼出关于建模和设计 HEA 的见解。从更广泛的意义上说，LESets 扩展了图神经网络适用于由多样成分及其灵活配置构成的无序材料的组合复杂性的潜在应用范围。
引用
@article{arxiv.2408.16337,
title = {Do Graph Neural Networks Work for High Entropy Alloys?},
author = {Hengrui Zhang and Ruishu Huang and Jie Chen and James M. Rondinelli and Wei Chen},
journal= {arXiv preprint arXiv:2408.16337},
year = {2025}
}