社区
教程
Wiki
注册
登录
创作新主题
社区所有版块导航
Python
python开源
Django
Python
DjangoApp
pycharm
DATA
docker
Elasticsearch
分享
问与答
闲聊
招聘
翻译
创业
分享发现
分享创造
求职
区块链
支付之战
aigc
aigc
chatgpt
WEB开发
linux
MongoDB
Redis
DATABASE
NGINX
其他Web框架
web工具
zookeeper
tornado
NoSql
Bootstrap
js
peewee
Git
bottle
IE
MQ
Jquery
机器学习
机器学习算法
Python88.com
反馈
公告
社区推广
产品
短视频
印度
印度
一周十大热门主题
用 Python 写 3D 游戏,太赞了!
GitHub版Devin上线,会打字就能开发应用,微软CEO:重新定义IDE
Handcalcs,让python科学计算过程更清晰
爆出!ChatGPT 5:发布日期、功能和价格
从今天起,ChatGPT会记住每一位付费用户
探索 MySQL 递归查询,优雅的给树结构分页
【高级会员】新浪高管数据信息数据(含python代码,1990-2022年)
Python团队还没解散完,谷歌又对Flutter、Dart动手了
科普:深度学习训练,不同预算GPU选购指南
AIGC“话”心声:劳动最光荣
关注
Py学习
»
机器学习算法
机器学习再登Science!
材料人
• 1 年前 • 200 次点击
0
1
【研究背景】
合金设计是指以知识为导向的高性能材料开发方法。迄今为止,已经开发了数千种金属合金,用于工程应用。高熵合金(HEAs)是具有多种主要元素的固溶体,能够达到稀释材料无法达到的成分和性能体系。然而,具有有价值性质的HEAs往往依赖于偶然发现,在复杂的成分空间中寻找这些类型的合金极具挑战性。
0
2
【成果简介】
2022年10月6日,
德国马普钢铁研究所韦业博士与
Dierk Raabe
教授(共同通讯)
联合提出了一种主动学习策略,以基于非常稀少的数据,在几乎无限的成分空间中加速高熵因瓦合金的设计。该研究方法是一个闭环,将机器学习与密度泛函理论、热力学计算和实验相结合。研究人员首先使用了699种合金的公开数据训练了学习算法,然后让算法生成大量具有低热系数的候选成分,在加工和表征了17种可能的新合金后,研究人员确定了两种热膨胀系数极低的高熵因瓦合金(在300 K下为约为2×10
-6
K
-1
)。该方法是一种快速、自动发现具有最佳热、磁和电性能的高熵合金的合适途径。该论文以题为“
Machine learning–enabled high-entropy alloy discovery”
发表在知名期刊
Science
上。此前,机器学习也曾多次登上
Nature
,
Science
等顶刊,在材料学、医学等领域大放异彩。
0
3
【图文导读】
图一、方法概述
图二、
HEA-GAD
的第一次和最后一次(第六次)迭代
图三、物理学描述符的重要性
图四、在主动学习循环中进行六次迭代后的结果分析
图五、基于
ML
设计
HEAs
的性能概述
0
4
【结论展望】
了解成分-性能关系背后的物理基础是合金设计的关键任务,对于成分复杂的材料来说,这是一项特别具有挑战性的任务。原则上,具有有趣特性的HEAs可以隐藏在实际上无限大且尚未开发的成分空间中,这是一种将目标合金设计置于最难测试的情况。因此,研究人员开发了一个广泛适用的主动学习框架,该框架结合了生成模型、回归集成、物理驱动学习和HEAs合成设计实验。研究方法证明了它在使用非常稀疏的实验数据设计高熵因瓦合金方面的能力。与传统的合金设计方法相比,整个工作流程只需要几个月,而合金设计方法需要多年和更多的实验。期望未来此方法可以在高熵合金设计中同时优化多个性能,并能够应用到其它结构和功能材料的设计和优化中。
文献链接:
Machine learning–enabled high-entropy alloy discovery
(
Science
2022
,
378
, 78-85)
投稿邮箱
tougao@cailiaoren.com
投稿以及内容合作可加微信
cailiaorenVIP
计算服务
如果您希望开展计算工作,苦于没有合适的计算人才,也可以联系我们。6年以来,我们与入驻材料人平台的300余位计算顾问一起,共同服务了超过5000位客户,涵盖了包括VASP、Lammps等在内的多款软件以及第一性原理、分子动力学、有限元等领域。
扫描添加客服微信
Python社区是高质量的Python/Django开发社区
本文地址:
http://www.python88.com/topic/147934
200 次点击
登录后回复