提高密度的机器学习功能理论热力学热力学

科学领域:

• 计算材料科学科学 计算材料科学
• 机器学习在化学中的应用
• 合金的热力学 合金的热力学

背景情况:

• 密度函数理论 (DFT) 是预测材料属性的强大工具,但存在能量分辨率错误.
• 这些错误极大地影响了合金形成度的精度,特别是在复杂的三元系统中.
• 可靠地预测相位稳定性对于设计适用于苛刻应用的新材料至关重要.

研究的目的:

• 开发一种机器学习 (ML) 方法,以系统地纠正合金形成度中的 DFT 能量错误.
• 提高对二元和三元合金和化合物的第一原则计算的预测准确度.
• 提高有关航空航天和保护涂层的材料相位稳定性预测的可靠性.

主要方法:

• 训练了一个神经网络模型来预测DFT和实验度之间的差异.
• 该模型使用了一个包括元素度,原子数和相互作用项在内的特征集.
• 使用监督学习,严格的数据策划和交叉验证 (LOOCV,k-fold) 来确保模型的稳定性并防止过度拟合.

主要成果:

• ML模型成功地学会了预测和纠正合金形成度的DFT能量错误.
• 对Al-Ni-Pd和Al-Ni-Ti系统的应用显示出预测准确性的显著改善.
• 修正后的预测提供了对三元相稳定性的更可靠的见解.

结论:

• 提出的ML方法提供了一种可靠的方法,用于纠正合金形成热量中的DFT能量错误.
• 这显著提高了合金相稳定第一原则预测的可靠性.
• 修正后的预测对于加速发现用于高温应用的新材料非常有价值.