تمت الإجابة في: : 2024-02-02
1. يتيح تعلم الآلة التعرف التلقائي على السمات الأساسية أو المتغيرات الكامنة الضرورية لتحقيق الخصائص الفيزيائية المرغوبة في سبائك الفترة العالية [1].
2. يعتمد بعض الأساليب على تكامل تعلم الآلة مع نظرية الكثافة الوظيفية وحسابات الديناميات الحرارية والتجارب كجزء من دورة مغلقة لاكتشاف سبائك الفترة العالية الانحدار [2].
3. تم تطوير نماذج الشبكات العصبية للبحث في المساحة التكوينية الواسعة لسبائك الفترة العالية، حيث يمكن للنموذج التنبؤ بالخصائص الميكانيكية [3].
4. هناك إطار عمل لتعلم الآلة تم تطويره لاكتشاف محركات تكوين فازات سبائك الفترة العالية [4].
5. تم تصميم نظام لسبيكة الحديد والكوبالت والنيكل والنحاس والموليبدينوم باستخدام حسابات نظرية الدوال الكثافة بناءً على تعلم الآلة لتحقيق تأثير حفاز عالي [5].
المراجع:
- [1] Machine learning for high-entropy alloys: Progress
- [2] Machine learning–enabled high-entropy alloy discovery
- [3] A neural network model for high entropy alloy design
- [4] A machine learning framework for discovering high entropy alloys phase formation drivers
- [5] Machine-Learning-Driven High-Entropy Alloy Catalyst