npj: 晶格弛豫调控高熵合金—机器学习势

2019 年 6 月 4 日 知社学术圈

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

高熵合金(HEAs)是由近等摩尔比的四种或更多种元素组成的多组分合金,能结晶成原子种类随机分散的简单晶格结构,具有非凡的材料特性,如高深度强度的面心立方结构FeCoNiCrMn或耐高温的体心立方结构NbMoTaWHEAs,是下一代技术应用的潜在候选材料。由于合金性质和材料性能依赖于其化学有序的实际状态,因此高效预测化学有序化程度并识别这些合金中的有序-无序转变,成为该领域的重要研究内容之一。

来自德国马普所的Fritz Körmann和俄罗斯Skolkovo创新中心的Alexander Shapeev共同领导的团队,采用了一种称为低秩势(LRP)的、“针对晶格格点”的机器学习交互模型,它能包含弛豫效应,并准确地表示多组分体系中的相互作用。相互作用势通过DFT超胞计算训练,可以系统地考虑局部晶格畸变的影响。与以前的研究结果相反,他们发现,通过这种局部畸变,固溶体在室温下稳定,并转变为一种新发现的层状半有序亚稳态。这一结果突出了局部弛豫对于固溶体稳定的重要作用,与竞争有序构型相比,原子弛豫不受对称性的约束。原子间势的集合可以进一步分析预测的不确定性。因此,所提出的方法能够在整个温度范围内以高效地、精确地对多组分合金(包括HEAs)进行建模,并寻找迄今尚未发现的、新的多组分有序态。


该文近期发表于npj Computational Materials 5: 55 (2019),英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。


Impact of lattice relaxations on phase transitions in a high-entropy alloy studied by machine-learning potentials 


Tatiana Kostiuchenko, Fritz Körmann, Jörg Neugebauer & Alexander Shapeev 


Recently, high-entropy alloys (HEAs) have attracted wide attention due to their extraordinary materials properties. A main challenge in identifying new HEAs is the lack of efficient approaches for exploring their huge compositional space. Ab initio calculations have emerged as a powerful approach that complements experiment. However, for multicomponent alloys existing approaches suffer from the chemical complexity involved. In this work we propose a method for studying HEAs computationally. Our approach is based on the application of machine-learning potentials based on ab initio data in combination with Monte Carlo simulations. The high efficiency and performance of the approach are demonstrated on the prototype bcc NbMoTaW HEA. The approach is employed to study phase stability, phase transitions, and chemical short-range order. The importance of including local relaxation effects is revealed: they significantly stabilize single-phase formation of bcc NbMoTaW down to room temperature. Finally, a so-far unknown mechanism that drives chemical order due to atomic relaxation at ambient temperatures is discovered. 


扩展阅读

 

npj: 绝缘体研究发现新物相

npj: 2D材料的自旋相干—超长自旋相干时间

npj: 2D材料的极高热导和反常应力效应

npj: 发现系列特殊复合拓扑节点线

npj: 聚合物如何让纳米颗粒变得有序?

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方

登录查看更多
0

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
非凸优化与统计学,89页ppt,普林斯顿Yuxin Chen博士
专知会员服务
100+阅读 · 2020年6月28日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
76+阅读 · 2019年10月10日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
45+阅读 · 2019年9月24日
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
15+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
npj: 机器学习添视觉—材料缺陷快分析
知社学术圈
6+阅读 · 2018年8月18日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
4+阅读 · 2019年12月2日
Phase-aware Speech Enhancement with Deep Complex U-Net
Arxiv
4+阅读 · 2018年5月24日
Arxiv
3+阅读 · 2017年10月1日
VIP会员
相关资讯
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
15+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
npj: 机器学习添视觉—材料缺陷快分析
知社学术圈
6+阅读 · 2018年8月18日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员