“`html
Графовые нейронные сети в материаловедении: применение в моделировании свойств материалов
Графовые нейронные сети (GNN) представляют собой мощный инструмент в материаловедении, особенно в прогнозировании свойств материалов. GNN используют уникальную возможность графических представлений для захвата сложных взаимодействий атомов в различных материалах. Эти модели кодируют атомы как узлы, а химические связи – как рёбра, что позволяет детально представить молекулярные и кристаллические структуры. Эта способность привела к совершенствованию понимания и прогнозирования свойств материалов, таких как кристаллы и молекулы.
Моделирование сложных материалов: вызовы и решения
Сложные сплавы высокой энтропии (HEA) представляют собой класс материалов, состоящих из нескольких металлических элементов, часто вблизи эквимолярных концентраций, что приводит к химически беспорядочной структуре. Основной вызов при моделировании HEA – их комбинаторная сложность и отсутствие периодического атомного порядка.
Существующие методы моделирования HEA обычно включают в себя модели машинного обучения, которые зависят от табличных дескрипторов или упрощенных графических представлений, сфокусированных на общем составе материала. Традиционные техники, такие как плотностно-функциональная теория (DFT) и молекулярная динамика, требуют хорошо упорядоченных атомных структур, что делает их менее подходящими для беспорядочных материалов, таких как HEA. Сложность HEA требует разработки новых подходов, которые могут точно захватывать их уникальные структурные характеристики и предсказывать их механические и тепловые свойства.
LESets: новый подход и его преимущества
Исследователи из Университета Нортвестерн, Университета Висконсина-Мэдисон и Вирджинского технологического университета представили модель LESets для преодоления вызовов, связанных с моделированием HEA – новый метод, способный точно предсказывать свойства этих сложных материалов. LESets представляют HEA как набор графов локальной среды (LE). Этот инновационный метод расширяет принципы графовых нейронных сетей, фокусируясь на локальных атомных взаимодействиях в HEA. В отличие от традиционных моделей, имеющих проблемы с беспорядком в HEA, LESets эффективно захватывают комбинаторную сложность, представляя каждую локальную среду в сплаве как отдельный граф, что позволяет более детально и интерпретируемо предсказывать свойства материала.
Эффективность модели LESets была продемонстрирована через обширное сравнение существующих моделей машинного обучения. Исследователи тестировали способность модели предсказывать механические свойства HEA, включая объемный модуль и модуль Юнга. Результаты показали, что LESets превзошел традиционные модели, достигнув более высокого коэффициента детерминации (R2) и меньшей средней абсолютной ошибки (MAE) при различных случайных разделениях данных.
В заключение, модель LESets предоставляет более точный и интерпретируемый метод для прогнозирования свойств HEA, что подтверждается ее превосходной производительностью в тестах. Успех модели LESets в моделировании HEA открывает двери для применения подобных подходов к другим комплексным материалам, что потенциально может привести к открытиям и инновациям в области разработки материалов и инжиниринга.
Проверьте статью, посвященную этому исследованию. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также, не забудьте подписаться на нас в Twitter и LinkedIn. Присоединяйтесь к нашему Telegram каналу.
Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему 50k+ ML SubReddit
Попробуйте AI ассистента в продажах AI Sales Bot, который помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.
“`
