涩涩电影网站,欧美精品videossex,韩国女主播视频

高熵合金是具有多種主要元素的固溶體，能夠達到稀釋材料無法達到的成分和性能體系。然而，發現那些具有有價值性質的材料往往依賴于偶然發現，其主要源于熱力學合金設計規則本身在高維組成空間中很難實現。

德國馬克斯普朗克鋼鐵研究所 Dierk Raabe教授提出了一種主動學習策略，以加速基于非常稀疏數據的高熵合金在實際無限的組成空間的設計。具體來說，作者采用閉環策略，將機器學習與密度泛函理論、熱力學計算和實驗相結合，在對數百萬種可能成分中的17種新合金進行加工和表征后，我們鑒定出兩種高熵因瓦合金，在300開爾文條件下，熱膨脹系數極低，約為2×10^-6K^-1。作者認為，這是快速和自動發現是具有最佳熱性、磁性和電學性能的高熵合金的合適途徑。

2022年10月7日Science在線發表了德國馬克斯普朗克鋼鐵研究所 Dierk Raabe教授在機器學習領域的最新成果“Machine learning-enabled high-entropy alloy discovery”。其中，德國馬克斯普朗克鋼鐵研究所Ye Wei為共同通訊作者。

同時，中國科學院金屬研究所楊銳研究員和胡青苗研究員同期在Science上發文指出：材料設計的直接成分-性能預測對于材料科學家來說仍然是一個挑戰。隨著實驗數據集的積累，人工神經網絡優化模型的發展，以及對成分加工微觀結構和性能之間關系的物理基礎的更好理解，一個通用的虛擬實驗室可能在某一天成為現實。

合金設計是指以知識為導向的高性能材料開發方法，到目前為止，已有幾千種金屬合金被開發出來用于工程應用。第一批發展起來的基本合金群，如青銅和鋼，都是基于形成材料基體的一種主要元素。隨著時間的推移，具有較高數量合金元素和較大分數的合金，如奧氏體不銹鋼，已經被開發出來。如今，隨著高熵合金（HEAs）的發展，只考慮元素周期表中使用最多的元素，這至少具有1050種合金變體的組成空間，這個空間如此之大，傳統的合金設計方法無法涉及，且傳統DFT計算成本高，不能輕易應用于更高的溫度和無序合金。同樣，組合實驗是非常勞動密集型的，而且只覆蓋HEAs有限的成分空間。

由于這些方法在尋找具有良好功能和機械特性的材料方面的局限性，本文提出了一種不同于之前的策略來加速HEAs的發現。作者基于機器學習（ML）技術，尤其是概率模型和人工神經網絡。受限于可用成分-性能數據的數量，傳統的ML方法在合金設計中不得不主要依賴于模擬數據，最近主動學習已成為發現功能材料的另一種選擇，其下一組實驗由基于迄今為止看到的結果訓練的前一個模型指導，產生將再次用于迭代更新模型的數據點。然而，指導材料實驗發現的主動學習方法依賴于簡單的代理模型和貝葉斯優化方法，這些方法僅限于低維數據，因此只有經過多次迭代才能顯示出性能改進。

為了克服這些障礙，本文提出了一種用于HEAs成分發現的主動學習框架，該框架對于非常稀疏的實驗數據集是有效的。該方法包括基于ML的技術、DFT、平均場熱力學計算和實驗。作者專注于設計具有低熱膨脹系數（TEC）的高熵因瓦合金，其原因如下:

（i）對不同類型的因瓦合金的高需求，以用于液氫、氨和天然氣的運輸新興市場；

（ii）原始Fe_63.5Ni_36.5合金的力學性能還有改進的空間；

（iii）替代因瓦合金（例如金屬間質、非晶態或反鐵磁性因瓦化合物）具有極高的合金成本和/或較差的延展性；

（iv）盡管少數HEAs有能力填補這一空白(18-20)，但文獻報道的HEAs的最低TEC超過了原始Fe_63.5Ni_36.5合金的值；

（v）本文的主動學習框架主要考慮成分信息而不是合金制造過程，這使得因瓦合金成為理想的目標，其主要由成分決定，較少由加工決定。

圖1. 方法概述。結合ML模型、DFT計算、熱力學模擬和實驗反饋，開發了一個主動學習框架，用于HEAs設計和HEAs的發現

圖2. HEA-GAD的第一次和最后一次（第六次）迭代

圖3. 物理信息描述符的重要性

圖4. 在主動學習循環中進行六次迭代后的結果分析

圖5. 由ML設計的HEAs的特性總結

Ziyuan Rao, Po-Yen Tung, Ruiwen Xie, Ye Wei*, Hongbin Zhang, Alberto Ferrari, T.P.C. Klaver, Fritz K?rmann, Prithiv Thoudden Sukumar, Alisson Kwiatkowski da Silva, Yao Chen, Zhiming Li, Dirk Ponge, J?rg Neugebauer, Oliver Gutfleisch, Stefan Bauer, Dierk Raabe*, Machine learning-enabled high-entropy alloy discovery, Science, https://www.science.org/doi/10.1126/science.abo4940

原創文章，作者：華算老司機，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2022/10/07/d31acc0f18/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

高熵+機器學習，今日重磅Science！

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

高熵+機器學習，今日重磅Science！

相關推薦