机器学习驱动的材料阈值位移能预测解析模型
材料科学
2025-02-05 v1 计算物理
摘要
理解材料在辐照下的行为对于核反应堆、航天器和其他辐射环境的设计与安全至关重要。阈值位移能（Ed）是理解材料中辐射损伤的关键参数，但其确定通常依赖于昂贵的实验或模拟。本工作利用基于机器学习的确定独立筛选与稀疏化算子（SISSO）方法，推导出精确的解析模型，用于利用基本材料性质预测Ed。这些模型在单原子材料方面优于传统方法，能够高精度地捕捉关键趋势。虽然由于数据集复杂性，对多原子材料的预测突显了挑战，但也揭示了通过扩展数据来改进的机会。本研究确定了内聚能和熔化温度是影响Ed的关键因素，为高效、数据驱动地预测各种材料中的辐射损伤提供了一个稳健的框架。
引用
@article{arxiv.2502.01813,
title = {Machine Learning-Driven Analytical Models for Threshold Displacement Energy Prediction in Materials},
author = {Rosty B. Martinez Duque and Arman Duha and Mario F. Borunda},
journal= {arXiv preprint arXiv:2502.01813},
year = {2025}
}
备注
18 pages, 9 figures. For associated files, see https://github.com/ArmanDuha8/machine-learning-threshold-displacement-energy-dataset