80电影天堂网,少妇高潮一区二区三区99,jαpαnesehd熟女熟妇伦,无码人妻精品一区二区蜜桃网站

圖1 《Small》背封面文章：面向多主元素合金的機器學習-多目標優(yōu)化-高通量設(shè)計方法

  相比于傳統(tǒng)合金材料，多主元素合金由于擁有高摩爾熵、擴散緩慢和晶格畸變劇烈的特點，因此在耐磨性、抗腐蝕性、高溫穩(wěn)定性以及強度與延展性的平衡方面具有優(yōu)異的性能。這些理想的性能使得多主元素合金近年來備受金屬材料領(lǐng)域關(guān)注。然而，由于設(shè)計多主元素合金存在元素種類和配比所形成的巨大參數(shù)空間，現(xiàn)有的研究設(shè)計方法（包括模擬計算和實驗方法）往往具有低效和成本高昂的劣勢。所以建立具有快速、高準確率和低成本的設(shè)計方法對多主元素合金的未來發(fā)展具有重要的意義。

  近日，馬里蘭大學李騰教授課題組提出了一種面向多主元素合金的機器學習-多目標優(yōu)化-高通量設(shè)計方法，該方法為設(shè)計具有理想性能的多主元素合金提供了高效精準的理論指導。針對目前廣泛采用的分子動力學在評估合金力學性能時，需要大量的時間和計算成本的弊端。該方法提出使用機器學習中小樣本學習算法，通過學習僅54個分子動力學計算樣本，實現(xiàn)對10萬個合金配方的高準確率性能預(yù)測（測試集驗證證明預(yù)測誤差小于2.7%）。在此基礎(chǔ)上，結(jié)合多目標遺傳算法，實現(xiàn)對多元素合金的綜合性能優(yōu)化，克服了盲目或經(jīng)驗指導的合金設(shè)計方法所具有的低效性。這種高效的設(shè)計方法使快速評估和設(shè)計多主元素合金性能成為可能。相關(guān)工作以“Machine Learning Accelerated, High throughput, Multi-objective Optimization of Multi-principal Element Alloys”為題，在線發(fā)表于《Small》，并被選為2021年10月的期刊背封面文章。這項研究同時入選Wiley最新“人工智能和機器學習熱點主題”。

I 多主元素合金的變形機理

  該研究通過分子動力學模擬的方法分別對54種不同配比的CoNiCrFeMn合金模型進行壓縮和剪切，并得到了楊氏模量和剪切應(yīng)力。通過如圖2F和2G的變化規(guī)律，分析了同一類多主元素合金不同元素摩爾濃度變化對力學性能所產(chǎn)生的影響。同時，基于該54組分子動力學計算結(jié)果，建立數(shù)據(jù)庫，進行機器學習模型的訓練。

圖2 CoNiCrFeMn多主元素合金的變形機理分析

II 小樣本學習算法

  目前訓練機器學習模型普遍需要大量的數(shù)據(jù)樣本。而在合金設(shè)計領(lǐng)域，包括模擬計算和實驗測量的方法，都需要高昂的時間和經(jīng)濟成本。該研究提出采用小樣本學習算法來預(yù)測多主元素合金的力學性能，實現(xiàn)通過較少規(guī)模的數(shù)據(jù)樣本，訓練機器學習模型來評估合金性能的目的，從而極大程度縮減合金評估所需的各類成本。該算法主要通過對比學習的理念（如圖3A所示），通過設(shè)計對照學習組，使機器學習模型通過學習樣本與對照組之間的對比特征，實現(xiàn)模型的預(yù)測精度收斂的效果。具體地，如圖3B所示，該研究采用了共計17個不同指標，通過不同合金配方與對照學習組之間指標數(shù)值對比，達到合金性能之間的對比學習目標。

圖3 小樣本學習算法用于高效設(shè)計多主元素合金

  根據(jù)在測試集上的預(yù)測發(fā)現(xiàn)，該方法在較少樣本數(shù)量的條件下，仍能取得較高的預(yù)測精度，如圖4A和4B所示。并且相比于傳統(tǒng)的分子動力學評估方法，該研究方法實現(xiàn)了高達12,600倍的加速預(yù)測（圖4C）。同時，對比同樣需要較少樣本進行訓練的線性回歸模型，證明了該方法不僅具有需求訓練樣本少的優(yōu)勢，同時具有深度學習精度高的優(yōu)點。

圖4 小樣本學習算法可實現(xiàn)高精度高效率預(yù)測多主元素合金性能

III 基于機器學習的多目標遺傳算法尋優(yōu)

  為解決多主元素合金設(shè)計中盲目或依托經(jīng)驗指導的方法所具有的低效問題，該研究采用多目標遺傳算法，以CrFeCoNiMn合金為例，以優(yōu)化包括楊氏模量和極限剪切應(yīng)力兩種力學性能為目標，實現(xiàn)了設(shè)計具有高強度高剛度的合金材料設(shè)計方法。并通過分子動力學驗證計算，證明了該方法的有效性，如圖5A所示。在此基礎(chǔ)上，該研究深度分析了元素的摩爾濃度變化對合金力學性能變化的影響（圖5B和5C所示）。

圖5

  論文引用信息：Tian Guo, Lianping Wu, and Teng Li. Machine Learning Accelerated, High throughput, Multi-objective Optimization of Multi-principal Element Alloys. Small, Vol. 18, No. 42, 2102972 (2021).

  https://doi.org/10.1002/smll.202102972

作者簡介：

  馬里蘭大學李騰教授團隊（http://lit.umd.edu/）專注于高性能可持續(xù)材料、軟材料、低維納米材料、原子尺度催化劑、能源存儲材料等的設(shè)計與開發(fā)，相關(guān)研究成果發(fā)表在Nature, Science, Nature Review Materials, Nature Nanotechnology, Science Advances, Nature Communications, PNAS, PRL, JACS, Advanced Materials, Materials Today, Advanced Energy Materials 等國際頂級期刊，并于2018年榮獲被譽為“國際發(fā)明創(chuàng)造奧斯卡”的R&D100大獎，以及2019年馬里蘭大學年度發(fā)明獎（物理科學領(lǐng)域）。李騰教授現(xiàn)任馬里蘭大學先進可持續(xù)材料與技術(shù)實驗室主任，Extreme Mechanics Letters副主編，榮獲國際工程科學學會青年科學家獎?wù)拢?016）。李騰教授在2006年和哈佛大學鎖志剛教授共同發(fā)起創(chuàng)建iMechanica.org,目前已經(jīng)成為國際力學領(lǐng)域用戶最多的網(wǎng)絡(luò)資源平臺。

  李騰教授的微信視頻號2020年7月5日開通 （微信視頻號：李騰教授），旨在分享科研心得，助力青年學者科研騰飛。已發(fā)布超過260條干貨短視頻，受到廣泛關(guān)注并被媒體采訪，迅速成為微信視頻號科研類頭部大號。

  李騰教授定期在微信視頻號開通直播，相繼推出了一系列熱門直播系列節(jié)目，包括【科研騰飛—大師訪談】和【騰云會客廳】等系列直播訪談，【科研論文專家門診】現(xiàn)場直播修改論文，以及最新科技前沿進展直播， 觀看直播的科研人員累計已超過40萬人，成為微信視頻號科研類熱門直播。

  加李騰教授微信，關(guān)注【李騰教授】視頻號，第一時間看到最新短視頻和直播節(jié)目。