高熵合金的机器学习建模:短程序的作用
材料科学
2019-06-10 v1 计算物理
摘要
机器学习的发展为多元合金中传统上复杂的热力学问题提供了新思路。然而,此类方法的成功应用强烈依赖于数据与模型的质量。本文提出一种利用短程序(SRO)参数来遍历构型空间以提升数据代表性的方案。基于改进的数据,采用线性回归为 NbMoTaW 高熵合金训练了一个对相互作用模型。得益于模型中融入的物理,所学到的有效哈密顿量在整个构型空间上展现出优异的可预测性。通过纳入第 6 近邻壳层内的对相互作用,该模型取得了 测试分数 0.997 与均方根误差 0.43 meV。我们进一步详细分析了训练数据、测试数据与模型参数的影响。结果揭示了代表性数据与物理模型的关键重要性。另一方面,我们也考察了神经网络的表现,发现其表现出强烈的数据过拟合倾向。
引用
@article{arxiv.1906.02889,
title = {Machine learning modeling of high entropy alloy: the role of short-range order},
author = {Xianglin Liu and Jiaxin Zhang and Markus Eisenbach and Yang Wang},
journal= {arXiv preprint arXiv:1906.02889},
year = {2019}
}
备注
15 pages, 9 figures