倪军研究组在高熵合金机器学习模型研究中取得新进展

日期： 2025-03-05

浏览次数: 8

来源：清华大学物理系

近年来，机器学习作为一种重要的人工智能工具，在材料设计中得到了广泛的应用。多组元高熵合金，通常是五种或五种以上的金属形成的合金材料，往往具有优异的力学性能，获得了广泛的关注。然而数据驱动的机器学习方法通常需要足够多的训练样本。高熵合金系统第一性原理计算的复杂性限制了可用于图神经网络的精确结构数据的大小。需要精确的结构作为输入也限制了模型的大规模预测。

为了提高小样本数据集下高熵合金材料预测精度，同时在不进行结构计算的情况下完成高熵合金的性质预测，该研究开发了一种基于信息最大化生成对抗网络和元素卷积图神经网络的算法框架：元素特征迁移对抗网络。元素特征迁移对抗网络使用元素卷积图神经网络从晶体的原子和结构信息中提取适合描述预测目标的元素特征。这些特征将被转移到生成对抗网络中，该模型用于生成具有预测目标的新元素特征，如图1所示。该研究中引入了迭代方法以提高信息最大化生成对抗网络的精度：使用多层感知器对信息最大化生成对抗网络生成的特征进行性质预测，将这些结果重新输入信息最大化生成对抗网络中训练，以提高网络对高熵合金性质的预测精度。

该研究将元素特征迁移对抗网络应用于高熵合金的性质预测中，使用生成网络的数据增强显著提高了模型的预测精度。同时，生成的元素特征可用作输入在广阔的成分空间中探索材料性质，避免了结构计算带来的庞大计算量。图2展示了在面心立方和体心立方结构下的形成能、磁矩和自由能。与传统认为Ⅷ族元素更容易形成面心立方高熵合金不同，该合金更倾向于形成面心立方，在普遍有着较高的磁矩的情况下，兼顾了合金强度。通过该生成模型，探索了广阔成分空间下高熵合金的稳定性，丰富了高熵合金相关的物性研究。同时，该研究开发的元素特征迁移对抗网络框架可用于各种多组元材料以解决机器学习数据量不足的困难，辅助材料开发与获得新的物理知识。

该成果近期以“EFTGAN: Elemental features and transferring corrected data augmentation for the study of high-entropy alloys”为题发表在npj Computational Materials上。清华大学物理系倪军教授为该论文的通讯作者，物理系博士生孙一博为论文的第一作者，合作者包括日本东北大学陈迎教授。该研究得到了国家自然科学基金、清华大学低维量子物理全国重点实验室、量子信息前沿科学中心、清华大学高性能计算中心的支持。

文章链接：https://doi.org/10.1038/s41524-025-01548-y

上一篇：协会与商展公司共同探讨了双方合作的新机遇下一篇：济南大学郇宇：SiC协同优化BCTZ陶瓷的烧结与压电性能

Hot News / 相关推荐

网络编码有机构筑模块策略构建高连接金属有机框架

2025 - 07 - 02

点击次数: 5

来源：X-MOL在网格化学合成领域，高连接框架材料的精准构筑一直是研究者面临的重要挑战。拓扑网络理论作为指导材料设计的关键工具，为高连接框架材料的定向合成提供了重要理论基础。在以往的研究中，相关研究人员主要利用高连接的锆簇（Zr6）和稀土簇（RE9），或者是高连接的金属有机多面体（MOP）去构建了一系列的高连接金属有机框架，包含了(4,12)-连接的shp和ftw网络、(6,12)-连接的alb网...

在镧系金属有机框架内封装荧光团，用于调节血清素检测的比率动态发光性能

2025 - 07 - 02

点击次数: 6

来源：X-MOL源自荧光团和 Ln3+ 的光致发光，构建了荧光团在镧系金属有机框架（Ln-MOF）中的封装，有助于 Ln-MOF 具有迷人的比例发光传感性能。本文为 3D Eu （III） MOF {[（CH3）2NH2]2[Eu2（TPTC）2·（合成了 H2O）2]·2DMF·8H2O}n（Eu-MOF，H4TPTC = 三苯基-3,3“，5,5”-四羧酸）及...

热烈庆祝中国共产党成立104周年

2025 - 07 - 01

点击次数: 18

热烈庆祝中国共产党成立104周年

2025 - 07 - 01

点击次数: 20