基于可解释机器学习预测金属玻璃中热激活 $\beta$ 事件的倾向
材料科学
2020-06-25 v1 计算物理
摘要
金属玻璃（MGs）中的基本激发，即涉及邻近子盆地间跳跃的 过程，是 amorphous 合金许多异常性质的根源。然而，仅从原子位置高效预测这些激活过程的倾向一直是一项艰巨挑战。近来，采用精心设计的位点环境描述符和机器学习（ML），在从静态结构预测应力激活的 过程（即剪切转变）倾向方面取得了显著进展。然而，复杂的张量应力场和依赖于方向的激活会在数据中引入非平凡噪声，限制了所学结构-性质映射的精度。本文中，我们聚焦于热激活的基本激发，并在若干 Cu-Zr MGs 中生成高质量数据，从而实现势能面的定量映射。在用短程和中等程间隙分布对原子环境进行指纹化后，ML 能以超越应力驱动激活事件的 ML 模型的空前精度，识别出对热激活具有强抵抗或高顺从的原子。有趣的是，一项定量的“任务间”迁移测试表明，我们所学的模型也可泛化预测剪切转变的倾向。我们的数据集对于基准测试未来 MGs 中结构-性质关系的 ML 模型具有潜在用途。
引用
@article{arxiv.2006.13552,
title = {Predicting the propensity for thermally activated $\beta$ events in metallic glasses via interpretable machine learning},
author = {Qi Wang and Jun Ding and Evan Ma},
journal= {arXiv preprint arXiv:2006.13552},
year = {2020}
}