面向高熵合金的机器学习：进展、挑战与机遇
材料科学
2022-09-08 v1 无序系统与神经网络
摘要
高熵合金（HEAs）因其优异的力学性能和用于新 HEAs 的广阔成分空间而引起了广泛关注。然而，理解其新颖的物理机制并进而利用这些机制设计新 HEAs，面临着高维化学复杂性的挑战，这对（i）需要精确原子相互作用以进行原子模拟的理论建模，以及（ii）构建用于海量候选合金高通量筛选的可靠宏观尺度模型，都提出了独特的挑战。机器学习（ML）以其表征极复杂关系的能力为这些问题带来了曙光。本综述强调了利用 ML 克服这些挑战所取得的成功与光明前景。我们首先介绍 ML 算法的基础与应用场景。随后总结描述原子相互作用及热力学与力学性能原子模拟的最先进 ML 模型。特别关注相预测、平面缺陷计算和塑性变形模拟。接下来，我们回顾针对宏观尺度性质的 ML 模型，如晶格结构、相形成与力学性能。以机器学习得到的相形成规则与序参数作为示例来说明工作流程。最后，我们讨论剩余挑战并展望研究方向，包括不确定性量化和 ML 引导的逆材料设计。
引用
@article{arxiv.2209.03173,
title = {Machine Learning for High-entropy Alloys: Progress, Challenges and Opportunities},
author = {Xianglin Liu and Jiaxin Zhang and Zongrui Pei},
journal= {arXiv preprint arXiv:2209.03173},
year = {2022}
}
备注
This review paper has been accepted by Progress in Materials Science