高熵合金代理建模中表征方案的探究
材料科学
2023-01-03 v1
摘要
设计具有优异力学性能的新型高熵合金目前备受材料科学界关注。然而，由于传统方法难以设计此类合金，机器学习近年已成为重要工具。特别是，利用代理模型筛选候选合金成分已成为近年来材料设计的主流。许多此类模型以合金元素的原子分数为输入。然而，编码合金成分存在多种可能的表征方案，包括非结构化与结构化变体。由于输入特征对决定代理模型性能起关键作用，我们基于其在单任务深度学习模型及迁移学习场景中的表现，对这些表征方案进行了系统比较。测试结果表明，相较于非结构化与随机排序方案，空间表征方案中具化学意义的元素排列通常能得出更优模型。但我们也观察到，在迁移学习中，仅以原子分数为输入的基于树的模型能够优于这些模型。
引用
@article{arxiv.2301.00179,
title = {Investigating representation schemes for surrogate modeling of High Entropy Alloys},
author = {Arindam Debnath and Wesley F Reinhart},
journal= {arXiv preprint arXiv:2301.00179},
year = {2023}
}