基于 Kolmogorov-Arnold 神经网络的高熵合金设计
材料科学
2025-03-04 v1 机器学习
摘要
广泛的深度学习机器学习技术被广泛应用于高熵合金（HEA）设计，产生了众多有价值的见解。Kolmogorov-Arnold 网络（KAN）是一种新近发展的架构，旨在提高输入特征的准确性和可解释性。本文探讨了三个不同的数据集用于 HEA 设计，并展示了 KAN 用于分类和回归模型的应用。在第一个例子中，我们使用 KAN 分类模型预测高熵碳化陶瓷 ceramic 单相形成的概率，基于各种属性如混合焓和价电子浓度。在第二个例子中，我们采用 KAN 回归模型预测 HEA 的屈服强度和抗拉强度，基于其化学组成和工艺条件，包括退火时间、冷轧百分比和均匀化温度。第三个例子涉及使用 KAN 分类模型确定某配方是否为 HEA，然后使用 KAN 回归模型预测已识别 HEA 的体积模量，以识别具有高体积模量的 HEA。在所有三个例子中，KAN 要么在准确率方面优于或相当于多层感知机（MLP），例如分类的 F1 分数和回归的均方误差（MSE），最终加速了具有理想性能的 HEA 的发现与优化。
引用
@article{arxiv.2410.08452,
title = {Kolmogorov-Arnold Neural Networks for High-Entropy Alloys Design},
author = {Yagnik Bandyopadhyay and Harshil Avlani and Houlong L. Zhuang},
journal= {arXiv preprint arXiv:2410.08452},
year = {2025}
}