机器学习加速耐腐蚀高熵合金的发现
材料科学
2024-09-12 v3
摘要
腐蚀对社会影响广泛,对结构工程部件造成灾难性破坏。一类新兴的耐腐蚀材料是高熵合金。然而,高熵合金存在于高维成分与构型空间中,使得通过实验试错或暴力第一性原理计算进行材料设计几乎不可能。本文开发了一个物理信息机器学习框架来识别耐腐蚀高熵合金。采用三个指标评估耐腐蚀性,包括单相可成形性、表面能与 Pilling-Bedworth 比。我们使用随机森林模型预测单相可成形性,并在实验数据集上训练。采用机器学习原子间势计算表面能与 Pilling-Bedworth 比,其使用嵌入原子模型快速采样的第一性原理数据进行训练。随机森林模型与高保真机器学习势的结合首次将高熵合金的化学成分与耐腐蚀性关联起来,为自动设计具有优异腐蚀防护的材料铺平道路。该框架在 AlCrFeCoNi 高熵合金上得到演示,我们确定了具有高耐腐蚀性的成分区域。机器学习预测的晶格常数与表面能同第一性原理计算值一致。所预测的 AlCrFeCoNi 的单相可成形性与耐腐蚀成分与实验吻合良好。该框架应用通用,适用于其他材料,可实现候选材料的高通量筛选,并有可能缩短集成计算材料工程的周转时间。
引用
@article{arxiv.2307.06384,
title = {Machine learning accelerated discovery of corrosion-resistant high-entropy alloys},
author = {Cheng Zeng and Andrew Neils and Jack Lesko and Nathan Post},
journal= {arXiv preprint arXiv:2307.06384},
year = {2024}
}