基于取向的迭代自组织数据分析在原子模拟中的晶粒分割
材料科学
2021-12-08 v1 机器学习
摘要
原子模拟现已成为理解材料原子尺度变形机制不可或缺的工具。大规模模拟常被用于研究纳米尺度多晶材料的行为。本工作中，我们提出一种利用无监督机器学习算法对原子构型进行晶粒分割的方法，该算法根据原子取向将原子聚类为各个晶粒。所提方法称为 Orisodata 算法，基于迭代自组织数据分析技术，并改进以在取向空间中工作。该算法在包含 122 个晶粒的纳米晶薄膜样品的未变形与变形状态下均进行了演示。Orisodata 算法还与开源可视化工具 Ovito 中另两种晶粒分割算法进行比较。结果表明，Orisodata 算法能正确识别变形孪晶以及由小角度晶界分隔的区域。模型参数具有直观物理意义，并与实验中使用的类似阈值相关，这不仅有助于获取最优值，也便于结果的解释与验证。
引用
@article{arxiv.2112.03348,
title = {Grain segmentation in atomistic simulations using orientation-based iterative self-organizing data analysis},
author = {M. Vimal and S. Sandfeld and A. Prakash},
journal= {arXiv preprint arXiv:2112.03348},
year = {2021}
}
备注
40 pages, 8 figures, 9 supplementary figures