Accelerated kinetic Monte Carlo: A case study; vacancy and dumbbell interstitial diffusion traps in concentrated solid solution alloys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vacancy and self-interstitial atomic diffusion coefficients in concentrated solid solution alloys can have a non-monotonic concentration dependence. Here, the kinetics of monovacancies and ⟨100⟩ dumbbell interstitials in Ni-Fe alloys are assessed using lattice kinetic Monte Carlo (kMC). The non-monotonicity is associated with superbasins, which impels using accelerated kMC methods. Detailed implementation prescriptions for first passage time analysis kMC (FPTA-kMC), mean rate method kMC (MRM-kMC), and accelerated superbasin kMC (AS-kMC) are given. The accelerated methods are benchmarked in the context of diffusion coefficient calculations. The benchmarks indicate that MRM-kMC underestimates diffusion coefficients, while AS-kMC overestimates them. In this application, MRM-kMC and AS-kMC are computationally more efficient than the more accurate FPTA-kMC. Our calculations indicate that composition dependence of migration energies is at the origin of the vacancy's non-monotonic behavior. In contrast, the difference between formation energies of Ni-Ni, Ni-Fe, and Fe-Fe dumbbell interstitials is at the origin of their non-monotonic diffusion behavior. Additionally, the migration barrier crossover composition-based on the situation where Ni or Fe atom jumps have lower energy barrier than the other one-is introduced. KMC simulations indicate that the interplay between composition dependent crossover of migration energy and geometrical site percolation explains the non-monotonic concentration-dependence of atomic diffusion coefficients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle