马里兰大学李腾教授Small：多主元素合金的机器学习加速、高吞吐量、多目标优化

多基元合金 (MPEA) 因其在传统合金中前所未有的卓越性能而引起了广泛关注。然而，通过具有成本效益的设计从巨大的组成空间中识别具有所需特性的 MPEA 仍然是一个巨大的挑战。

为此，美国马里兰大学李腾教授等人开发了一种以属性为导向的MPEA设计策略，该策略将分子动力学（MD）模拟、小样本机器学习（ML）和遗传算法 (GA) 相结合，以高效地同时优化多个性能指标。

作为演示，ML模型可以通过54 次MD模拟进行有效训练，以预测CoNiCrFeMn合金的刚度和临界分辨剪切应力 (CRSS)，相对误差分别为2.77%和2.17%。

图1. 数据生成、深度神经网络框架及ML模型的预测流程

这种设计策略也非常高效，比纯MD模拟的计算时间缩短了12600倍。基于经过训练的ML模型和非支配排序GA II (NSGA II)可以获得100种同时具有高刚度和高CRSS的CoNiCrFeMn合金的最佳成分，然后通过100000种随机选择的 CoNiCrFeMn成分的ML加速计算进行验证。

此处报道的整合MD、ML和GA的合理设计策略具有简便、超快、低成本和通用性的优势，可以应用于其他 MPEA材料系统，有望加速低成本地发现具有高性能的新MPEA。

图2. 基于ML的CoNiCrFeMn合金机械性能预测的准确性、效率和拟合优度

Machine Learning Accelerated, High Throughput, Multi-Objective Optimization of Multiprincipal Element Alloys, Small 2021. DOI: 10.1002/smll.20210297

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/c3fab7a7d1/