机器学习的De Novo原子学发现混乱的机械元材料的机器学习

科学领域:

• 材料科学 材料科学 材料科学
• 计算材料科学科学 计算材料科学
• 纳米技术纳米技术

背景情况:

• 建筑材料表现出在散装材料中找不到的独特机械性能.
• 在原子尺度上设计机械超材料,特别是那些带有混乱的超材料,仍然是一个未被充分探索的领域.

研究的目的:

• 通过使用自下而下的设计方法,发现新的原子化机械超材料.
• 调查结构障碍在实现纳米级优异机械反应中的作用.

主要方法:

• 使用高通量分子动力学 (MD) 模拟来探索材料设计空间.
• 整合了机器学习 (ML) 策略,以确定有前途的材料候选人.
• 为了了解结合效应,对力场景进行了系统的导航.

主要成果:

• 发现了原子化无序的机械超材料,以轻质细胞结构为例.
• 确定线性硬度密度缩放的理论极限.
• 证明结构上的混乱,而不是秩序,对于降低缩放指数至关重要.

结论:

• 结构障碍,通过粘合相互作用和定向可调节,使灵活的实验制造成为可能.
• 温和的结合方向性促进了多面体,拉伸主导结构的无序包装,这对于超材料形成至关重要.
• 这项工作开创了一种自下而下的策略,用于设计原子化无序的机械超材料,为材料创新开辟了新的途径.