基于分子模拟特征的金属玻璃形成能力机器学习预测
材料科学
2021-08-20 v1
摘要
我们基于分子动力学模拟获得的、新近可通过计算获取的特征，建立了金属合金玻璃形成能力的预测模型。本工作表明，利用分子动力学模拟得到的输入特征能够提高玻璃形成能力（GFA）模型的预测价值。此类特征仅需相对直接且可扩展的模拟，因此比实验测量显著更容易且成本更低地获取。我们生成了一个分子动力学临界冷却速率数据库，以及受先前 GFA 研究启发的相关候选特征。在提出的 9 个 GFA 特征中，我们通过 LASSO 模型确定其中两个对性能最为重要。结晶焓与 100 K 下的类二十面体分数展现出潜力，因为它们能显著提升模型性能，且可借助几乎适用于所有体系的灵活第一性原理量子力学方法获取。这一在用于机器学习预测 GFA 的可计算获取特征方面的进展，将使未来的模型能够更准确地预测新型玻璃形成合金。
引用
@article{arxiv.2108.08766,
title = {Molecular simulation-derived features for machine learning predictions of metal glass forming ability},
author = {Benjamin T. Afflerbach and Lane Schultz and John H. Perepezko and Paul M. Voyles and Izabela Szlufarska and Dane Morgan},
journal= {arXiv preprint arXiv:2108.08766},
year = {2021}
}