尺度桥接材料物理:用于合金自由能函数表示的主动学习工作流与可积分深度神经网络
机器学习
2023-07-19 v5 计算物理
摘要
自由能在连续介质物理中许多系统的描述里起着基础作用。尤其在多物理场应用中,它编码了不同场间的热力学耦合,从而产生了对组成现象间相互作用动力学驱动的力。在机械-化学相互作用的材料系统中,即便仅考虑成分、序参量和应变,也可使自由能具有相当高的维度。在提出将自由能作为尺度桥接的范式时,我们此前已利用神经网络来表示此类高维函数。具体而言,我们开发了可积分深度神经网络(IDNN),可训练其拟合由原子尺度模型与统计力学获得的自由能导数数据,然后解析积分以恢复自由能密度函数。其动机源于统计力学形式体系,其中某些自由能导数可用于系统控制,而非自由能本身。我们当前工作将IDNN与主动学习工作流结合,以在高维输入空间中改进自由能导数数据的采样。作为输入输出映射,机器学习适应了在尺度桥接时随数学描述变化而独立的与依赖的量之间的角色反转。我们以Ni-Al作为原型系统。使用所得IDNN表示的Ni-Al自由能密度进行的相场模拟表明,材料恰当的物理已被学习。据我们所知,这代表了从电子结构计算出发、经统计力学到连续介质物理的、针对实用材料系统使用自由能的尺度桥接最完整处理。
引用
@article{arxiv.2002.02305,
title = {Scale bridging materials physics: Active learning workflows and integrable deep neural networks for free energy function representations in alloys},
author = {Gregory Teichert and Anirudh Natarajan and Anton Van der Ven and Krishna Garikipati},
journal= {arXiv preprint arXiv:2002.02305},
year = {2023}
}