論文の概要: Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys

• arxiv url: http://arxiv.org/abs/2601.03801v1
• Date: Wed, 07 Jan 2026 10:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.477592
• Title: Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys
• Title（参考訳）: 耐火性高エントロピー合金の融解温度予測のための物理的に一貫性のある機械学習
• Authors: Mohd Hasnain,
• Abstract要約: 我々は, 元素特性に基づく複素合金のTm予測のために, 勾配ブースト決定木(XGBoost)モデルを開発した。 最適化されたモデルは、0.948の判定係数(R2)と平均正方形誤差(MSE)を9928で達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Predicting the melting temperature (Tm) of multi-component and high-entropy alloys (HEAs) is critical for high-temperature applications but computationally expensive using traditional CALPHAD or DFT methods. In this work, we develop a gradient-boosted decision tree (XGBoost) model to predict Tm for complex alloys based on elemental properties. To ensure physical consistency, we address the issue of data leakage by excluding temperature-dependent thermodynamic descriptors (such as Gibbs free energy of mixing) and instead rely on physically motivated elemental features. The optimized model achieves a coefficient of determination (R2) of 0.948 and a Mean Squared Error (MSE) of 9928 which is about 5% relative error for HEAs on a validation set of approximately 1300 compositions. Crucially, we validate the model using the Valence Electron Concentration (VEC) rule. Without explicit constraints during training, the model successfully captures the known stability transition between BCC and FCC phases at a VEC of approximately 6.87. These results demonstrate that data-driven models, when properly feature-engineered, can capture fundamental metallurgical principles for rapid alloy screening.
• Abstract（参考訳）: 多成分・高エントロピー合金(HEAs)の融解温度(Tm)の予測は高温適用には重要であるが,従来のCALPHAD法やDFT法では計算コストが高い。 本研究では, 複素合金に対するTmを要素特性に基づいて予測するために, 勾配ブースト決定木(XGBoost)モデルを開発した。 物理的整合性を確保するため,温度依存型熱力学記述子(ギブス自由エネルギー混合など)を除外し,物理的に動機付けられた要素的特徴に依存することにより,データ漏洩の問題に対処する。 最適化されたモデルは0.948の判定係数(R2)と9928の平均二乗誤差(MSE)を達成する。 重要なことは、Valence Electron concentration (VEC) ルールを用いてモデルを検証することである。 トレーニング中に明示的な制約がなければ、このモデルは、約6.87のVECで、BCCとFCCの相間の既知の安定性の遷移を捉えた。 これらの結果から, データ駆動型モデルは, 適切に機能設計された場合, 急速合金スクリーニングの基礎的冶金原理を把握できることが示唆された。

関連論文リスト

• Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions [0.0]
  本研究は,過度に予測された遷移温度を補正するために,トップダウン学習による微調整戦略を提案する。 提案手法は, 純チタンの相図を最大5GPaの圧力範囲で正確に補正できることを示す。 我々のアプローチはモデルに依存しず、固体および固液遷移を持つ多成分系に適用できる。
  論文  参考訳（メタデータ） (2025-12-03T17:06:26Z)
• High-throughput validation of phase formability and simulation accuracy of Cantor alloys [0.14547222152188427]
  本稿では,予測値と実験観測値との一致を評価するための定量的信頼度指標を提案する。 組成変化したFeNiMnCr合金ライブラリ上での高スループットシンクロトロンX線回折により実験データセットを作成した。 観測された相と予測相の一致を,温度依存性の相分類または温度依存性の相形成確率を含むモデルを用いて評価した。
  論文  参考訳（メタデータ） (2025-11-24T17:31:16Z)
• Clarifying the Ti-V Phase Diagram Using First-Principles Calculations and Bayesian Learning [42.418429168532406]
  チタン-バナジウム(Ti-V)二元合金が体中心立方晶(BCC)の相違点を示すか、あるいは完全に可溶であるかについては、対立する実験は意見が一致しない。 先導的な仮説は、合金の調製時の酸素汚染の相違によるものである。 我々は、活発に訓練されたモーメント図と自由エネルギー表面の推測を結合するab initio + machine-learningワークフローを使用する。
  論文  参考訳（メタデータ） (2025-06-21T14:09:15Z)
• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。 ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。 本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• Data-Driven Modeling of an Unsaturated Bentonite Buffer Model Test Under High Temperatures Using an Enhanced Axisymmetric Reproducing Kernel Particle Method [5.160473221022088]
  高レベル核廃棄物の深部地質リポジトリでは、ベントナイトバッファは100degC以上の温度を捕捉することができる。 本研究では, 深部ニューラルネットワークを用いたベントナイトの土壌水分保持曲線(SWRC)を導入し, バッファのTHMシミュレーションを行う再生カーネル粒子法(RKPM)に統合する。 タンクスケール試験を効果的にモデル化するために、ヒーター配置を表す特異なディリクレ強制力と効果的な対流熱伝達係数に富んだ新しい軸対称再生カーネル基底関数を開発した。
  論文  参考訳（メタデータ） (2023-09-24T01:22:23Z)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Measurement of the Low-temperature Loss Tangent of High-resistivity Silicon with a High Q-factor Superconducting Resonator [58.720142291102135]
  温度70mKから1Kの範囲で高比抵抗(100)シリコンウェハの直接損失タンジェント測定を行った。 この測定は, 高温超伝導ニオブ共振器を利用した技術を用いて行った。
  論文  参考訳（メタデータ） (2021-08-19T20:13:07Z)
• Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains at Finite Temperature: Exact Results [68.8204255655161]
  奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。 正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
  論文  参考訳（メタデータ） (2021-05-11T14:08:02Z)
• Confirmation of the PPLB derivative discontinuity: Exact chemical potential at finite temperatures of a model system [0.0]
  ペルデュー、パール、レヴィ、バルドゥーズの1982年の論文において、化学ポテンシャルを消失させる単純なモデルが重要な役割を担った。 決定的なゼロ温度限界における正確な一致を見いだし、そのモデルがかなりの温度で正確であることを示します。 我々は、標準半局所近似に欠けている微分不連続性を考慮した自由エネルギーを近似するためにモデルを拡張する。
  論文  参考訳（メタデータ） (2020-07-08T01:27:59Z)

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。