赵仕俊/吴正刚npj Comput. Mater.: 机器学习指导设计高熵碳化物陶瓷

高熵陶瓷（HEC）在高应力和高温等苛刻条件下显示出巨大的应用潜力。然而，巨大的相空间对新型高性能HEC的合理设计提出了巨大挑战。

在此，香港城市大学赵仕俊教授、湖南大学吴正刚教授等人开发了机器学习（ML）模型来发现高熵碳化物陶瓷（HECC），以基于HECC候选物及其组成二元过渡金属碳化物（TMC）的化学属性来预测HECC的单相概率。

利用从DFT计算中获得的前兆信息和参数，训练有素的支持向量机（SVM）和人工神经网络（ANN）模型可以预测其中阳离子来自IV、V或VI族的单相HECC。IV族和V族TMC可以很容易地形成具有改善机械性能的单相HECC，由于VI族金属中的更高价填充，作者预计这些元素的加入可以进一步提高HECC的性能。

图1. ML模型的性能

研究表明，ML模型展示了很高的预测准确度（SVM和ANN模型分别为0.982和0.944）。使用这些训练有素的模型，作者研究了约90个未合成的HECC的单相概率并预测了38个单相 HECC，其中包含来自IV、V和VI族金属的五种阳离子，这些预测与当前的实验结果非常吻合。通过仅对组成前体的特性进行训练，该ML模型能够预测非等原子HECC的相形成概率。

作者进一步建立了跨越整个成分空间的非等原子HECC的相图，通过该相图可以轻松识别单相状态。因此，该研究开发的ML模型可以加速等原子和非等原子HECC的发现，这为沉浸式相空间内的合理HECC设计开辟了道路，从而可以有效地调整HECC的特性。

图2. 不同特征的相对重要性分析

Design high-entropy carbide ceramics from machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-021-00678-3

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/aeb3d428a5/

赵仕俊/吴正刚npj Comput. Mater.: 机器学习指导设计高熵碳化物陶瓷

相关推荐