論文の概要: Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys

• arxiv url: http://arxiv.org/abs/2508.04841v1
• Date: Wed, 06 Aug 2025 19:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.629682
• Title: Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys
• Title（参考訳）: FCC高エントロピー合金の組成特性関係に関するデータ駆動的考察
• Authors: Nicolas Flores, Daniel Salas Mula, Wenle Xu, Sahu Bibhu, Daniel Lewis, Alexandra Eve Salinas, Samantha Mitra, Raj Mahat, Surya R. Kalidindi, Justin Wilkerson, James Paramore, Ankit Srivastiva, George Pharr, Douglas Allaire, Ibrahim Karaman, Brady Butler, Vahid Attari, Raymundo Arroyave,
• Abstract要約: 構造的高エントロピー合金(HEA)は、様々な分野にわたる技術の進歩に不可欠である。 統合化学、プロセス、構造、および特性データの不足は、予測的特性モデリングに重大な課題をもたらす。 この研究は、いくつかの感度分析を示し、機械的挙動に対する重要な要素的貢献を強調している。
• 参考スコア（独自算出の注目度）: 28.495739557732175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural High Entropy Alloys (HEAs) are crucial in advancing technology across various sectors, including aerospace, automotive, and defense industries. However, the scarcity of integrated chemistry, process, structure, and property data presents significant challenges for predictive property modeling. Given the vast design space of these alloys, uncovering the underlying patterns is essential yet difficult, requiring advanced methods capable of learning from limited and heterogeneous datasets. This work presents several sensitivity analyses, highlighting key elemental contributions to mechanical behavior, including insights into the compositional factors associated with brittle and fractured responses observed during nanoindentation testing in the BIRDSHOT center NiCoFeCrVMnCuAl system dataset. Several encoder decoder based chemistry property models, carefully tuned through Bayesian multi objective hyperparameter optimization, are evaluated for mapping alloy composition to six mechanical properties. The models achieve competitive or superior performance to conventional regressors across all properties, particularly for yield strength and the UTS/YS ratio, demonstrating their effectiveness in capturing complex composition property relationships.
• Abstract（参考訳）: 構造的高エントロピー合金(HEA)は、航空宇宙、自動車、防衛産業など、様々な分野における技術の進歩に不可欠である。 しかし, 統合化学, プロセス, 構造, 特性データの不足は, 予測的特性モデリングにおける重要な課題である。 これらの合金の広大な設計空間を考えると、基礎となるパターンを明らかにすることは不可欠だが困難であり、限られた均一なデータセットから学習できる高度な手法が必要である。 本研究は, BIRDSHOTセンターNiCoFeCrVMnCuAl系データセットにおけるナノインデンテーション試験において観察された脆性および破壊応答に関連する組成因子の解明を含む, 機械的挙動に対する重要な要素的寄与を明らかにする, いくつかの感度解析を行った。 ベイジアン多目的ハイパーパラメータ最適化によって慎重に調整されたエンコーダデコーダに基づくいくつかの化学特性モデルについて,合金組成を6つの機械的特性にマッピングするために評価した。 これらのモデルは, 降伏強度とUTS/YS比を両立させ, 複雑な組成特性関係を捉える上での有効性を示した。

関連論文リスト

• evoxels: A differentiable physics framework for voxel-based microstructure simulations [41.94295877935867]
  微分可能な物理フレームワークであるevoxelsは、完全にPythonで統一されたボクセルベースのアプローチに基づいており、セグメント化された3D顕微鏡データ、物理シミュレーション、逆モデリング、機械学習を統合している。
  論文  参考訳（メタデータ） (2025-07-29T12:29:15Z)
• MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling [0.19506923346234722]
  UMLIP(Universal Machine Learning Interatomic potentials)は、原子論シミュレーションを加速するための強力なツールとして登場した。 ナノポーラス材料の主要材料モデリングタスクにおけるuMLIPの評価ベンチマークであるMOFSimBenchを紹介する。 トップパフォーマンスのuMLIPは、古典的な力場や、あらゆるタスクにわたって微調整された機械学習能力より一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-16T00:00:55Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Foundation Model for Composite Microstructures: Reconstruction, Stiffness, and Nonlinear Behavior Prediction [0.0]
  短繊維複合画像の大規模コーパスで事前学習した自己教師型視覚変換器であるMaterial Masked Autoencoder (MMAE) について述べる。 i) 制限データの微調整による均質化剛性成分の予測, (ii) MMAEと相互作用に基づく物質ネットワークを結合することで物理的に解釈可能なパラメータを推定する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
  提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする 以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-13T22:46:02Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
  タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。 指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。 デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。 本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:47:32Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• Machine Learning and Data Analytics for Design and Manufacturing of High-Entropy Materials Exhibiting Mechanical or Fatigue Properties of Interest [0.24466725954625884]
  主な焦点は、構造材料のための大きな組成空間を持つ合金と複合材料である。 利子の出力特性ごとに、対応する駆動(入力)因子を識別する。 このフレームワークは、手元にあるアプリケーションと利用可能なデータに適した最適化手法を選択することを前提としている。
  論文  参考訳（メタデータ） (2020-12-05T19:32:39Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。