遗传算法引导的晶界图深度学习:应对五自由度挑战
材料科学
2020-02-26 v1 计算物理
摘要
晶界(GBs)通常控制多晶材料的加工与性能。此处,构建作为温度和体相成分函数的GB性能图(亦称“构型图”),作为一种与相图同等地位的通用药料科学工具,代表了一项具有潜在变革性的研究。然而,一个GB具有五个宏观(晶体学)自由度(DOFs)。通过实验或建模来构建作为五自由度函数的GB性能图,本质上是一项“不可能完成的任务”。本文中,我们结合等压半巨正则系综混合蒙特卡洛与分子动力学(hybrid MC/MD)模拟,以及遗传算法(GA)和深度神经网络(DNN)模型,以应对这一重大挑战。DNN预测比原子模拟快约10^8倍,从而能够构建数百万个具有五自由度的不同GB的性能图。值得注意的是,不仅对对称倾转和扭转GBs,而且对不对称倾转和混合倾转-扭转GBs都取得了优异的预测精度;后者更为复杂且了解甚少,但它们无处不在,并常作为弱连接限制真实多晶体的性能属性。作为温度、体相成分和五个晶体学自由度函数(即7维空间中)的GB性能数据驱动预测开辟了新的范式。
引用
@article{arxiv.2002.10632,
title = {Genetic Algorithm-Guided Deep Learning of Grain Boundary Diagrams: Addressing the Challenge of Five Degrees of Freedom},
author = {Chongze Hu and Yunxing Zuo and Chi Chen and Shyue Ping Ong and Jian Luo},
journal= {arXiv preprint arXiv:2002.10632},
year = {2020}
}