由于HEAS中的宽阔而复杂的配置空间，了解高熵合金（HEAS）S中的缺陷动力学和演变是复杂的。机器学习技术在HEAS中的缺陷检测中具有巨大的潜力。
图片来源：nicoelnino/shutterstock.com
具有不同金属组成和特征的高熵合金（HEAS）的化学合成是一个发展的研究领域。HEAS是通过将五个或更多元素组合在可变体积中的合金，而HEAS具有四种核心特性，它们的扩散，高熵，晶格失真和鸡尾酒效果。HEAS的主要特性是耐腐蚀性，生物相容性，高特异性强度和热稳定性。
HEAS可用于多个行业，例如国防，空间，核能，能源产生和隐形应用，并用于开发涂料材料，电磁屏蔽材料和催化材料。欧洲杯足球竞彩
Machine learning (ML) uses experimental data to predict future material qualities, and the application of ML in materials design and discovery is a rapidly growing research area. The databases used in ML for HEA applications are based on surrogate models, iterative frameworks (adaptive design and learning), autonomous synthesis, atomistic simulations, and text mining. ML models such as support vector model (SVM), kernel-based, extreme learning machine (KELM), and deep neural network (DNN) can be used for defect detection in HEAs.
ML的主要优点是，它利用各种描述符和观测值之间的隐式相关性，在识别辐射损伤的控制元素方面显示出很大的潜力，并模拟了缺陷进化的局部环境依赖性。
HEAS中的机器学习和缺陷检测
Defects in HEAs significantly impact deformation mechanics and strength. Recent studies use machine dynamics (MD) and machine learning to investigate the dynamics of defects in HEA alloys. The main focus of recent studies is to identify defects in face-centered cells and body-centered cells of HEAs.
ML方法和模型可用于根据HEAS的辐射响应来解释缺陷的类型。辐照响应是当HEAS暴露于辐射时产生的输出。关键方面是，在HEAS的辐射响应的测量过程中，不得包括由于非电离辐射而产生的响应，可以通过ML模型和方法有效地完成。
原子间电位描述了原子对或HEAS中原子组内的相互作用。原子的键合在HEAS的形成过程中发生，HEAS原子键合的原子间潜能的数学模型具有排斥力和吸引力。可以使用ML模型确定由于原子间潜能而发生的缺陷，因为缺陷的预测的准确性主要取决于数学模型的解决方案。
In HEAs, defect evolution (growth of a defect) occurs immediately after the defect formation, and the ML-based models provide accurate information about the defect evolution in HEAs. Based upon the requirement of the application, the information of defect evolution supports the process of identification of appropriate HEAs and rejects inappropriate HEAs
HEAS中最具挑战性的问题是建造具有随机分布原子的小型超细胞，并模拟每个原子在高度化学计量的化学环境中的实际位置而没有任何缺陷。基于ML的各种数学模型用于构建Hea Supercells并确定HEAS中出现的缺陷。
结论和未来范围
将机器学习用于生产和缺陷检测HEAS仍处于起步阶段，并且必须在工业应用之前解决一些挑战。最关键的挑战是开放数据和开源软件的可用性，以及HEAS国际标准组织（ISO）标准的一致性挑战。
此外，由于更高的化学计量可能性以及在HEAS形成过程中，由于更高的化学计量可能性以及热力学参数的影响，因此也很难为MD模拟开发力场或势能函数的过程。
另一个困难是使用ML方法和模型在HEAS中生成无缺陷的超级电池。尽管特殊的准随机结构模型经常用于基于ML的溶液，但尚不清楚它是否准确地复制了HEAS的实验观察结果。
The density and functional theory of ML simulation of HEAs involve multiple chemically complicated elements and require the higher processing power of computers to solve them due to which their ML simulation remains restricted to a limited number of atoms in HEAs.
可伸缩的分子动力学（用于HEAS的模拟）是基于复杂的计算，需要高性能计算机，但是在可伸缩分子动力学应用方面的显着限制是可用于充分代表金属金属的通用电位函数的限制数量在HEA中结合。
HEAS的缺陷检测和发现的未来范围是使用人工智能和ML方法。除此之外，必须通过进一步的实验研究来验证人工智能和ML方法的结果。
参考和进一步阅读：
Shijun Zhao，机器学习在理解高渗透材料的辐射损伤机制时的应用，核材料杂志，第559卷，2022年153462，ISSN 0022-3115，欧洲杯足球竞彩https://www.欧洲杯线上买球sciendirect.com/science/article/pii/s00222311521006826?via%3dihub
Katiyar, N.K., Goel, G. & Goel, S. Emergence of machine learning in the development of high entropy alloy and their prospects in advanced engineering applications. emergent mater. (2021).https://link.springer.com/article/10.1007%2Fs42247-021-00249-8
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。