机器学习集成的金属玻璃热性能与弛豫动力学建模
材料科学
2025-03-19 v1 软凝聚态物质
统计力学
应用物理
计算物理
摘要
金属玻璃是一类具有优异热学和力学性能的新型材料。然而，准确预测和理解熔点（T_m）和玻璃化转变温度（T_g）仍然是一项重大挑战。本研究中，我们提出了一种将机器学习（ML）模型与理论方法相结合的综合方法，用于预测和分析金属玻璃的这些关键热学性能。我们的机器学习模型使用基于元素组成特征的分布数据，在最小化数据预处理复杂度的同时获得了高精度。此外，我们探讨了 T_m 与 T_g 之间的相关性，以阐明其对合金成分和热力学行为的依赖性。当金属玻璃的 T_g 值已知时，进一步利用弹性集体非线性朗之万方程（ECNLE）理论进行分析，可更深入地理解结构弛豫动力学。这一集成框架建立了与实验数据和先前工作一致的定量描述，为高效设计和发现具有定制热学性能的先进材料铺平了道路。
引用
@article{arxiv.2503.14092,
title = {Machine Learning-Integrated Modeling of Thermal Properties and Relaxation Dynamics in Metallic Glasses},
author = {Ngo T. Que and Anh D. Phan and Truyen Tran and Pham T. Huy and Mai X. Trang and Thien V. Luong},
journal= {arXiv preprint arXiv:2503.14092},
year = {2025}
}
备注
12 pages, 9 figures, accepted for publication in Materials Today Communications