Accelerated discovery of nanostructured high-entropy alloys and multicomponent alloys via high-throughput strategies
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
Nanostructured materials (NsMs) exhibit many interesting and useful properties; yet their grain sizes or phases are generally unstable at elevated temperatures, limiting their process methods and engineering applications. Many emerging alloys, especially high-entropy alloys (HEAs) and related multicomponent alloys, are reported to show enhanced thermal stability and mechanical strength. The identification of mechanically strong and thermally stable multicomponent alloys out of a vast compositional space, however, is a daunting task – many are predominantly developed through sequential and time-consuming trial-and-error approaches. Thus, high-throughput strategies are urgently needed to accelerate the discovery of new and useful nanostructured HEAs (Ns-HEAs). As the fields of Ns-HEAs and high-throughput methods are developing rapidly, an avenue of research on this topic is to be exploited. This review focuses on the literature on the high-throughput fabrication, characterization, and testing of the microstructures, phases, compositions, mechanical properties, and thermal stabilities of a wide range of Ns-HEAs reported over the past two decades. This article also includes recent high-throughput methods that could be potentially used for the discovery of new Ns-HEAs and related multicomponent alloys, as well as various high-throughput data analysis methods such as theoretical screening, simulation, and machine learning. The article concludes with progress, challenges, and opportunities about the future directions in the accelerated discovery of a wide range of complex alloys via high-throughput methodologies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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