基于机器学习的高熵合金金属间化合物相分类、解释与预测
材料科学
2023-06-27 v3
摘要
由于高熵合金（HEA）庞大的成分空间，设计具有期望性能的高熵合金颇具挑战。尽管各类机器学习（ML）模型可预测特定的 HEA 固溶体相（SS），但因数据集有限且 ML 特征不足，对高熵金属间化合物相（IM）的预测尚不成熟。本文引入特征工程辅助的 ML 模型，实现了细致的相分类与高准确率。通过结合基于相图与基于物理的特征，发现基于随机森林（RF）与支持向量机（SVM）回归器训练的 ML 模型，能以 80–94% 的准确率分类单个 SS 与常见 IM（Sigma、Laves、Heusler 及难熔 B2 相）。机器学习所得特征亦能解释 IM 的形成。此外，我们批判性评估了 RF、SVM 与神经网络（NN）模型的效能。发现采用 NN 模型训练数据集时相分类准确率下降。通过合成 86 种新合金验证了模型预测的准确率。该方法为指导 HEA 相设计，尤其是具有技术重要性的 IM 相，提供了实用且稳健的框架。
引用
@article{arxiv.2208.02141,
title = {Machine Learning-Based Classification, Interpretation, and Prediction of High-Entropy-Alloy Intermetallic Phases},
author = {Jie Qi and Diego Ibarra Hoyos and S. Joseph Poon},
journal= {arXiv preprint arXiv:2208.02141},
year = {2023}
}