.png){kind=icon}
返回
Constructing material network representations for intelligent amorphous alloy design
.png){kind=icon}
PRE
AI
DOI：10.1093/nsr/nwaf398.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设计高性能非晶合金以适应各种应用具有挑战性，因为该过程高度依赖经验法则和无限次的尝试。传统策略的高成本和低效率特性阻碍了在庞大的材料空间中进行有效采样。在此，我们提出材料网络以加速二元和三元非晶合金的发现。网络拓扑揭示了被传统表格数据表示所掩盖的潜在材料候选者。通过审视不同年份合成的非晶合金，我们构建了动态材料网络来追踪合金发现的历程。我们发现，过去设计的部分创新材料已被编码在网络中，证明了其在新合金设计方面的预测能力。这些材料网络与现实世界中我们日常生活中的多个真实网络表现出物理相似性。我们的发现为智能材料设计开辟了新途径，尤其针对复杂合金。非晶合金实验数据的网络表示从其动态和拓扑结构中揭示了前所未有的材料设计洞见，并将整合前沿深度学习与人工智能，以推动未来复杂合金的发展。
Keyword:
amorphous alloy
material design
material network
artificial intelligence
期刊
IF:
17.1
论文数:
3.7K
被引数:
2.0W
机构
引用论文
Balancing data for generalizable machine learning to predict glass-forming ability of ternary alloys.png)
SCRIPTA MATERIALIA
OAAI
SCRIPTA MATERIALIAIF5.6
OAAI分享收藏Effective subgrouping enhances machine learning prediction in complex materials science phenomena: Inoue's subgrouping in discovering bulk metallic glassesACTA MATERIALIA
OAAI
ACTA MATERIALIAIF9.3
OAAI分享收藏分享收藏Classification of Bulk Metallic Glasses by Atomic Size Difference, Heat of Mixing and Period of Constituent Elements and Its Application to Characterization of the Main Alloying Element通过原子尺寸差，混合热和组成元素的周期对大块金属玻璃进行分类及其在表征主要合金元素中的应用OAAI
OAAI分享收藏
查看更多内容