中高熵合金在组成空间中的电子结构预测
材料科学
2026-01-19 v3 无序系统与神经网络
计算物理
量子物理
摘要
我们提出了机器学习模型用于预测浓度合金组成空间内的电子密度——材料基态的根本未知量。由此可推导出其他物理性质，实现加速探索。一个显著挑战是，为了准确预测诸如电子密度等场，需要的样本组成数和描述符数随物种数量迅速增加。为此，我们采用贝叶斯主动学习 (AL)，通过利用贝叶斯神经网络的不确定性量化能力，最小化训练数据需求。与组成空间的战略细分相比，贝叶斯-AL 可将训练数据点数降低约 2.5 倍（SiGeSn 三元体系）和 1.7 倍（CrFeCoNi 四元体系）。我们还引入易于优化的、附着于晶体框架的描述符，尊重物理对称性，并在合金元素增加时保持约等于相同的描述符向量大小。我们的 ML 模型在预测组成空间内的电子密度和能量方面表现出高精度和良好可推广性。
引用
@article{arxiv.2410.08294,
title = {Electronic structure prediction of medium and high entropy alloys across composition space},
author = {Shashank Pathrudkar and Stephanie Taylor and Abhishek Keripale and Abhijeet Sadashiv Gangan and Ponkrshnan Thiagarajan and Shivang Agarwal and Jaime Marian and Susanta Ghosh and Amartya S. Banerjee},
journal= {arXiv preprint arXiv:2410.08294},
year = {2026}
}