应变合金晶体结构属性预测与时序演化模拟的统一机器学习框架

我们引入一种统一机器学习框架，用于在弹性场的影响下处理合金晶体结构的时序演化。该方法允许从短时间轨迹中提取弹性参数，并在其影响下预测进一步的晶体结构演化。这一工作以晶格错配 eta 中的相分离为例，通过广泛比较基于相场仿真提供的真实演化与适当卷积循环神经网络架构的预测结果，得以验证。该框架可随后在级联框架中依次完成这两个任务。在广泛的错配条件下，本文提出的级联模型准确预测 eta 以及相应的晶体结构演化，包括接近相分离临界条件时情形。 demonstrated 了对更大计算域大小的可扩展性以及在训练期间采样的时间序列长度的五倍时间序列上的轻微外推误差。该框架通用可适用于不限于本文所示的特定原型系统。有趣的是，实验视频可用于推断未知外部参数，随后用于模拟进一步的时序演化。