机器学习驱动的设计和优化多金属化物硬涂层通过多弧离子涂层使用遗传算法和支持向量回归的多金属化物硬涂层
Yu Gu1,2, Jiayue Wang3, Jun Zhang1
1College of Mechanical Engineering, Shenyang University, Shenyang 110044, China.
Materials (Basel, Switzerland)
|August 14, 2025
概括
一个新的机器学习框架有效地设计高硬度的多金属化物涂层. 这种方法通过预测最佳成分来加速材料的发现,超越传统方法并实现硬度预测的高精度.
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
- 在材料中的机器学习
背景情况:
- 设计多元组件金属化物硬涂层是具有挑战性的,因为巨大的组成空间和传统的试错方法的局限性.
- 现有的理论研究经常使用理想化的模型,缺乏跨度合,导致开发效率低下.
- 机器学习为加速材料发现和设计提供了一个强大的替代方案.
研究的目的:
- 开发一个高效的机器学习框架,用于设计高硬度的多金属化物涂层.
- 克服传统,耗时和劳动密集型实验方法的局限性.
- 通过计算预测建立一个强大的策略来优化涂层硬度.
主要方法:
- 使用电子配置,价值电子数量,电子负性和氧化状态,构建了多元组分化物的组成搜索空间.
- 使用FCC晶体结构和硬度理论限制了搜索空间.
- 结合了微观,中观和宏观结构特征,并利用聚类分析来提高预测准确度和减少实验错误.
主要成果:
- 机器学习模型应用于一个包含233条条目的数据库,用于设计多元组件金属化物涂层.
- 实验验证证证实了模型预测,显示预测和测量的硬度之间有很强的一致性.
- 100个预测硬度值中有82个超过了数据集的最大值,最佳样本达到91.6%的预测准确度.
结论:
- 开发的机器学习框架为设计具有最佳硬度的高性能涂层提供了高效和强大的策略.
- 与传统方法相比,这种方法显著加速了先进材料的发现.
- 这项研究表明,数据挖掘和机器学习在材料基因组学中的成功应用,用于实际的材料设计.
