Machine learning‐based research of new refractory high‐entropy alloys using guided multiobjectives search strategy
Notice bibliographique
Résumé
Abstract The development of novel refractory high‐entropy alloys (RHEAs) holds significant promise for advanced applications due to their exceptional properties. However, identifying optimal compositions of RHEAs within the vast alloy design space to meet specific property requirements remains a formidable challenge. In this study, we present an integrated machine learning (ML) framework to address this challenge, combining predictive models for material properties, a fingerprint map of composition distribution, a guided multiobjective search strategy, and a particle swarm optimizer to enable targeted exploration of promising RHEAs compositions. Using this approach, we successfully discovered several new RHEAs with outstanding mechanical performance, including Nb 0.189 Ti 0.203 V 0.203 Mo 0.206 Zr 0.197 , Nb 0.204 Ti 019 V 0.207 Mo 0.198 Zr 0.198 , Nb 0.174 Ti 0.19 V 0.251 Mo 0.201 Zr 0.181 , Nb 0.242 Ti 0.252 To 0.001 V 0.039 Mo 0.209 Zr 0.254 , and Nb 0.164 Ta 0.155 Ti 0.186 V 0.008 W 0.153 Mo 0.001 Hf 0.168 Zr 0.16 . These alloys exhibit remarkable yield strengths ranging from 1580 to 1740 MPa and fracture strains between 23% and 27%. The integrated ML models make it possible to rapidly optimize multiple properties during other materials designing, thus overcoming the common problems of limited data and a vast composition space in complex materials systems, paving the way for efficient design of advanced materials tailored to diverse application requirements.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».