使用机器学习预测碳纳米结构的机械性能和缺陷的作用
Jordan J Winetrout1,2, Zilu Li3, Qi Zhao3
1Department of Chemical and Biological Engineering, University of Colorado Boulder, Boulder, CO 80309.
概括
这项研究创建了一个超过2000个碳纳米结构的数据库,并使用机器学习来预测它们的机械性质. 基于物理和化学的模型准确地预测了弹性模块和抗拉强度,加速了材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 纳米技术 纳米技术
背景情况:
- 基于石墨烯的纳米结构为强大,轻质材料提供了潜力.
- 利用机械性能受到原子级工程挑战的阻碍.
研究的目的:
- 开发一个碳纳米结构的综合数据库.
- 通过机器学习,能够准确快速地预测机械性能.
主要方法:
- 创建了一个数据库,包含2000多个原始和有缺陷的纳米碳纳米管 (CNT) 捆绑和石墨组件.
- 使用INTERFACE力场 (IFF-R) 进行反应分子动力学 (MD) 模拟.
- 开发并应用了基于物理和化学的机器学习 (ML) 模型,包括带有空间信息的层次图神经网络 (HS-GNNs) 和极端梯度增强树 (XGBoost).
主要成果:
- 实现的预测速度比MD模拟速度快1000到1万倍.
- HS-GNNs和XGBoost模型预测了3-6%的平均相对误差的弹性模块和拉伸强度.
- 机器学习模型显示出高可靠性,可与实验准确度相提并优于其他机器学习方法,即使对于分布之外的数据也是如此.
结论:
- 基于物理和化学的ML,特别是HS-GNN,可以准确预测各种碳纳米结构的机械性质.
- 数据库和机器学习模型加速了先进碳材料的设计和应用,在结构材料和纳米电子等领域.
- 开发的框架是可扩展和可扩展的,用于更广泛的材料发现和应用.
