基于神经网络的相变序参量及其在高熵合金中的应用
材料科学
2021-09-14 v1 机器学习
摘要
相变是自然中最重要的现象之一，并在材料设计中起核心作用。所有相变都由合适的序参量表征，包括有序-无序相变。然而，为复杂系统（如高熵合金）找到具代表性的序参量并非易事。鉴于变分自编码器（VAE）能将高维数据降为少数主成分的优势，本文提出“VAE 序参量”新概念。我们提议 VAE 潜空间中的曼哈顿距离可作为有序-无序相变的通用序参量。该序参量的物理性质通过多种难熔高熵合金定量解释与展示。在其辅助下，提出一种通过模仿元素自然混合的普适合金设计概念。我们具物理可解释性的“VAE 序参量”为通过化学有序化理解及设计合金奠定基础。
引用
@article{arxiv.2109.05598,
title = {Neural network based order parameter for phase transitions and its applications in high-entropy alloys},
author = {Junqi Yin and Zongrui Pei and Michael Gao},
journal= {arXiv preprint arXiv:2109.05598},
year = {2021}
}