تمت الإجابة في: : 2024-02-03
1. تعلم الآلة يسهم في تحديد السمات أو المتغيرات الكامنة الضرورية لتحقيق الخصائص الفيزيائية المطلوبة في سبائك الفتات العالية الإنتروبيا (HEAs)[1].
2. النهج يعتمد على دمج تعلم الآلة مع نظرية الكثافة الوظيفية وحسابات الديناميات الحرارية والتجارب كجزء من دورة مغلقة[2].
3. تم تطوير نموذج الشبكة العصبية للبحث في الفضاء التركيبي الواسع لسبائك الفتات العالية الإنتروبيا وتوقع الخواص الميكانيكية[3].
4. هناك إطار تعلم آلة تم تطويره لاكتشاف أسباب تكوُّن مراحل الفتات العالية الإنتروبيا[4].
5. تصميم نظام سبائك الفتات العالية الإنتروبيا كatalyst باستخدام حسابات نظرية الكثافة الوظيفية[5].
6. توقع تكوين سبائك الفتات العالية الإنتروبيا وتحقيقها تجريبيًا بناءً على خوارزمية توقع المرحلة[6].
7. يشير البحث إلى أهمية تعلم الآلة في سبائك الفتات العالية الإنتروبيا نظرًا لخصائصها الميكانيكية الاستثنائية[7].
8. النهج يستخدم تعلم الآلة بتكامله مع نظرية الكثافة الوظيفية وحسابات الديناميات الحرارية والتجارب[8].
9. تقترح استراتيجية تعلم نشط لتسريع تصميم سبائك الفتات العالية الإنتروبيا[9].
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
- [6] : Phase prediction and experimental realization of a new
- [7] : Machine Learning for High-entropy Alloys
- [8] : Machine-learning-enabled-high-entropy-alloy-discovery
- [9] : Machine learning-enabled high-entropy alloy discovery