論文の概要: Multi-Label Phase Diagram Prediction in Complex Alloys via Physics-Informed Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2604.16468v1
• Date: Thu, 09 Apr 2026 01:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.023276
• Title: Multi-Label Phase Diagram Prediction in Complex Alloys via Physics-Informed Graph Attention Networks
• Title（参考訳）: 物理インフォームドグラフアテンションネットワークによる複合合金のマルチラベル相図予測
• Authors: Eunjeong Park, Amrita Basak,
• Abstract要約: 本稿では、要素認識表現を学習し、それらを熱力学的制約で結合する物理インフォームドグラフアテンションネットワーク(GAT)を提案する。 ピカルファドで生成された約25,000の平衡状態を用いて、各組成温度点を原子分画と元素記述子をノード特徴とする4ノード要素グラフとして表す。 このモデルは、グラフの注意、大域的なプーリング、および9つの関連するフェーズを予測する多層パーセプトロンを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.5729426778193398
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate phase equilibria are foundational to alloy design because they encode the underlying thermodynamics governing stability, transformations, and processing windows. However, while the CALculation of Phase Diagrams (CALPHAD) provides a rigorous thermodynamic framework, exploring multicomponent composition-temperature space remains computationally expensive and is typically limited to sparse section. To enable rapid phase mapping and alloy screening, we propose a physics-informed graph attention network (GAT) that learns element-aware representations and couples them with thermodynamic constraints for multi-label phase-set prediction in the Ag-Bi-Cu-Sn alloy system. Using about 25,000 equilibrium states generated with pycalphad, each composition-temperature point is represented as a four-node element graph with atomic fractions and elemental descriptors as node features. The model combines graph attention, global pooling, and a multilayer perceptron to predict nine relevant phases. To improve physical consistency, we incorporate thermodynamic constraints, applied as training penalties or as an inference-time projection. Across six binary and three ternary subsystems, the baseline model achieves a macro-F1 score of 0.951 and 93.98% exact-set match, while physics-informed decoding improves robustness and raises exact-set accuracy to about 96% on dense in-domain grids. The surrogate also generalizes to an unseen ternary section with 99.32% exact-set accuracy and to a quaternary section at 700 °C with 91.78% accuracy. These results demonstrate that attention-based graph learning coupled with thermodynamic constraint enforcement provides an effective and physically consistent surrogate for high-resolution phase mapping and extrapolative alloy screening.
• Abstract（参考訳）: 正確な相平衡は、安定性、変換、加工窓を管理する基礎となる熱力学を符号化するため、合金設計の基礎となる。 しかし、CALculation of Phase Diagrams (CALPHAD) は厳密な熱力学の枠組みを提供するが、多成分組成-温度空間の探索は計算コストがかかり、通常はスパース領域に限られる。 本稿では,Ag-Bi-Cu-Sn系合金において,高速な位相マッピングと合金スクリーニングを実現するために,要素認識表現を学習し,熱力学的制約と組み合わせた物理インフォームドグラフアテンションネットワーク(GAT)を提案する。 ピカルファドで生成された約25,000の平衡状態を用いて、各組成温度点を原子分画と元素記述子をノード特徴とする4ノード要素グラフとして表す。 このモデルは、グラフの注意、大域的なプーリング、および9つの関連するフェーズを予測する多層パーセプトロンを組み合わせる。 身体的整合性を改善するため,トレーニングペナルティや推論時間予測などの熱力学的制約を取り入れた。 6つのバイナリサブシステムと3つの3つのサブシステムで、ベースラインモデルではマクロF1スコアが0.951と93.98%、物理インフォームドデコードではロバスト性が向上し、正確なセット精度が96%まで高められる。 また、サロゲートは、99.32%の正確なセットの正確な3分の1と、91.78%の精度で700 °Cの4分の1に一般化する。 これらの結果は,注意に基づくグラフ学習と熱力学的拘束力の併用が,高分解能位相マッピングと外挿合金スクリーニングに有効かつ物理的に一貫したサロゲートを提供することを示した。

関連論文リスト

• Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory [1.5749416770494706]
  微粒な地質材料中の水素吸着の予測は地下の水素貯蔵能力の評価、キャップロックの完全性の評価、地下エネルギーシステムの水素移動の特徴付けに不可欠である。 本稿では,古典的吸着理論と熱力学的制約を直接学習プロセスに埋め込むことにより,この制限に対処する多スケール物理情報ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T11:59:36Z)
• Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-07T10:59:24Z)
• Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges [0.36868085124383626]
  本研究は、位相図計算を著しく高速化する機械学習原子間ポテンシャル(MLIP)の利用について検討する。 Cr-Mo, Cu-Au, Pt-Wなどのケーススタディを用いて, MLIP, 特にORBがDFTに比べて3桁を超える計算スピードアップを達成することを示した。
  論文  参考訳（メタデータ） (2024-11-22T21:24:13Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Efficient mapping of phase diagrams with conditional Boltzmann Generators [4.437335677401287]
  位相図全体に対するボルツマン生成法に基づく深層生成機械学習モデルを開発した。 単一正規化流を訓練することにより, 単一の基準熱力学状態から広範囲の目標温度, 圧力に比例した平衡分布を変換し, 効率よく平衡分布を生成することができる。 我々は、レナード=ジョーンズ系の固液共存線を最先端自由エネルギー法とよく一致して予測することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-18T08:05:04Z)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)

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。