基于体素化原子结构框架的高熵合金数据驱动设计

《npj Computational Materials》：Data-driven design of high entropy alloys using the voxelized atomic structure framework

　　

摘要

许多现代科技应用都需要开发具有先进且可定制性能的新型多功能材料。高熵合金这类材料的巨大设计空间使得现有的基于物理的高通量材料设计方法难以适用，因此人们开始采用机器学习方法。在本研究中，我们利用最新开发的体素化原子结构（VASt）框架来模拟含有MoNbTaTiVWZr元素的高熵合金的热机械性能。研究表明，仅通过使用基态结构的电荷密度场，VASt框架就能高效且准确地预测描述材料对原子结构扰动响应的复杂性能。由此得到的结构-性能关系可用于将实际的高熵合金设计参数与反映强度、延展性、热响应及各向异性的性能指标相互关联。这些关联关系有助于找到新的设计规则，从而指导研发出具有高强度、高延展性以及低热膨胀系数的新型高熵合金。