- 简介计算研究的真正力量通常在于它所实现的成果或者它能够让他人实现的成果。在这项工作中,同时在三个不同层次的材料抽象概念——原子、物理和设计——上采用了两种方法。在每个层次上,都建立了高效的材料信息学基础设施,基于(1)对基础先前知识的根本理解,包括数据,(2)利用它的部署路径和(3)延伸它的自主或半自主方式的路径,同时在很大程度上依赖于人工智能(AI)来指导基于DFT的从头算和基于CALPHAD的热力学方法。由此产生的多层次发现基础设施具有高度的通用性,因为它专注于将问题编码以便轻松解决,而不是寻找现有的解决方案。为了展示它,这篇论文讨论了多合金功能梯度材料(FGMs)的设计,其中包括超高温难熔高熵合金(RHEAs),旨在提高燃气涡轮机和喷气发动机的效率,减少二氧化碳排放,以及高超声速飞行器。它利用了一种新的基于组合数学的算法对基础数学空间进行了新的图形表示,不受社区中困扰的许多问题的影响。在下面,从名为ULTERA的世界上最大和最高质量的HEA数据集的优化取样中学习了属性模型和相关系。在原子层面上,利用一个针对机器学习(ML)进行了优化的数据生态系统,即超过450万个松弛结构的MPDD,通过提供稳定性数据来启示实验观察并改进热力学模型,这得益于一个新的高效的特征化框架。
- 图表
- 解决问题论文旨在构建高效的材料信息学基础设施,解决多合金功能梯度材料设计的问题,以提高燃气涡轮和喷气发动机效率,减少CO2排放,并且能够应用于高超声速飞行器。
- 关键思路该论文的关键思路是建立一个多层次的材料信息学基础设施,从原子级别、物理级别到设计级别,利用人工智能指导DFT和CALPHAD方法,通过新开发的组合算法构建数学空间的图形表示,从而实现材料设计的自主或半自主扩展。
- 其它亮点该论文的亮点包括:(1)利用最大和最高质量的HEA数据集ULTERA学习属性模型和相关关系;(2)使用超过450万个放松结构的数据生态系统MPDD,通过提供稳定性数据来改善热力学模型;(3)构建了一个通用的材料信息学基础设施,侧重于通过编码问题来解决问题,而不是寻找现有的解决方案。
- 在最近的相关研究中,还有一些论文值得关注,如“High-entropy alloys as high-temperature thermoelectric materials”和“Machine learning in materials science: recent progress and emerging applications”。
沙发等你来抢
去评论
评论
沙发等你来抢