«`html
Графовые нейронные сети (GNN) в материаловедении
Графовые нейронные сети (GNN) представляют собой мощный инструмент в материаловедении, особенно в прогнозировании свойств материалов. GNN используют уникальную способность графовых представлений захватывать сложные атомные взаимодействия в различных материалах. Эти модели кодируют атомы как узлы и химические связи как рёбра, что позволяет детально представлять молекулярные и кристаллические структуры. Эта способность привела к прогрессу в понимании и прогнозировании свойств материалов, таких как кристаллы и молекулы. Однако расширение этих методов на более сложные и беспорядочные системы, такие как сплавы высокой энтропии (HEA), представляет существенное вызов.
Сложности моделирования HEA
Сплавы высокой энтропии (HEA) представляют собой класс материалов, состоящих из нескольких металлических элементов, часто в близких к эквимолярным концентрациях, что приводит к химически беспорядочной структуре. Основной вызов при моделировании HEA заключается в их комбинаторной сложности и отсутствии периодического атомного порядка. В отличие от кристаллических материалов с четко определенными атомными укладками, HEA обладают случайными атомными конфигурациями, которые противоречат традиционным методам моделирования. Этот беспорядок затрудняет прогнозирование их свойств, поскольку существующие модели нуждаются в помощи для учёта сложных взаимодействий между различными металлическими элементами.
Новые методы моделирования HEA
Существующие методы моделирования HEA обычно включают модели машинного обучения, которые полагаются на табличные дескрипторы или упрощенные графовые представления, сфокусированные на общей композиции материала. Хотя они в некоторой степени эффективны, эти подходы не улавливают тонких взаимодействий в HEA. Традиционные техники, такие как теория функционала плотности (DFT) и молекулярная динамика, требуют хорошо упорядоченных атомных структур, что делает их менее подходящими для беспорядочных материалов, таких как HEA. В результате эти методы часто дают менее точные прогнозы, когда применяются к HEA, что подчёркивает необходимость более сложных инструментов для работы с врождённой случайностью этих сплавов.
Модель LESets
Исследователи из Университета Нортвестерн, Университета Висконсина-Мэдисона и Виргинского технологического университета представили модель LESets для преодоления вызовов, связанных с моделированием HEA — новый подход, разработанный для точного прогнозирования свойств этих сложных материалов. LESets представляют HEA как набор графов локальной среды (LE). Этот инновационный метод расширяет принципы графовых нейронных сетей, сфокусированный на локальных атомных взаимодействиях в HEA. В отличие от традиционных моделей, которые испытывают трудности с беспорядком в HEA, LESets эффективно улавливают комбинаторную сложность, представляя каждую локальную среду в сплаве как отдельный граф. Это позволяет более детально и интерпретируемо предсказывать свойства материала.
Преимущества модели LESets
Модель LESets работает путём построения графа для каждой локальной среды в HEA, где центральный атом соединён с соседними атомами, а веса рёбер представляют молярные доли этих соседних элементов. Модель агрегирует эти графы локальной среды для формирования общего представления HEA, которое затем используется для прогнозирования различных свойств материала. Этот подход позволяет LESets улавливать детальные атомные взаимодействия в HEA, преодолевая ограничения предыдущих моделей, которые не могли учесть отсутствие дальнего порядка. Фокусируясь на локальных средах, а не на общей композиции, LESets предоставляет более точный и интерпретируемый метод для прогнозирования свойств беспорядочных материалов.
Эффективность модели LESets
Эффективность модели LESets была продемонстрирована через обширное тестирование по сравнению с существующими моделями машинного обучения. Исследователи проверили способность модели прогнозировать механические свойства HEA, включая объёмный модуль и модуль Юнга, используя набор данных из 7 086 HEA. Результаты показали, что LESets превзошла традиционные модели, достигнув более высокого коэффициента детерминации (R2) и более низкой средней абсолютной ошибки (MAE) при множественных случайных разделениях данных. Например, LESets достигла R2 0,90 и MAE 8,0 ГПа в прогнозировании модуля Юнга, значительно превосходя результаты моделей, использующих традиционные статистические методы. Модель также продемонстрировала устойчивость к вариациям данных, проявляя меньшую флуктуацию в метриках производительности по сравнению с другими моделями.
Заключение
Модель LESets, фокусируясь на локальных средах в HEA и используя графовые нейронные сети, преодолевает вызовы, возникающие из-за беспорядочной природы этих материалов. LESets предоставляет более точный и интерпретируемый метод для прогнозирования свойств HEA, что подтверждается её превосходной производительностью в тестах. Исследование подчёркивает важность улавливания локальных атомных взаимодействий. LESets может служить основным инструментом для будущих исследований и разработок в материаловедении. Успех LESets в моделировании HEA открывает возможности применения подобных подходов к другим сложным материальным системам, что потенциально приведёт к открытиям и инновациям в области дизайна и инженерии материалов.
«`
