یادگیری انتقال محاسبات آلیاژ را برای پیشبینی مواد ناشناخته تصحیح میکند
فلزات را میتوان با افزودن عناصر مختلف به آلیاژ تبدیل کرد و اجازه میدهد استحکام، پایداری و سایر ویژگیهای آنها متناسبسازی شود. یک پارامتر کلیدی برای درک این خصوصیات، فاکتور اندازه حجمی (VSF) است که اعوجاج شبکه ناشی از تفاوت در اندازه اتمی را کمی می کند.
ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan
این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:
فلزات را میتوان با افزودن عناصر مختلف به آلیاژ تبدیل کرد و اجازه میدهد استحکام، پایداری و سایر ویژگیهای آنها متناسبسازی شود. یک پارامتر کلیدی برای درک این خصوصیات، فاکتور اندازه حجمی (VSF) است که اعوجاج شبکه ناشی از تفاوت در اندازه اتمی را کمی می کند.
با این حال، اندازه گیری آزمایشی VSF هم زمان بر و هم پرهزینه است و بسیاری از سیستم های آلیاژی را بدون داده های قابل اعتماد می گذارد. اگرچه VSF را می توان با استفاده از محاسبات اصول اول نیز پیش بینی کرد، تفاوت های قابل توجهی بین مقادیر محاسبه شده و تجربی برای سیستم های آلیاژی خاص گزارش شده است.
یک تیم تحقیقاتی به سرپرستی پروفسور Tokuteru Uesugi در دانشکده تحصیلات تکمیلی انفورماتیک دانشگاه متروپولیتن اوزاکا یک پایگاه داده VSF در مقیاس بزرگ را بر اساس محاسبات اولیه برای 1998 سیستم باینری محلول جامد ساختند و یک روش یادگیری انتقال مبتنی بر هوش مصنوعی را توسعه دادند که مغایرتهای VSF را محاسبه میکند.
این کار در مجله Materialia منتشر شده است.
این رویکرد دقت پیشبینی را برای آلیاژها با دادههای تجربی موجود بهبود بخشید و در عین حال عملکرد پیشبینی قابل اعتمادی را برای سیستمهای آلیاژی که قبلا کشف نشده بود نشان داد.
Uesugi گفت: "ما انتظار داریم که این دستاورد شناسایی آلیاژهای امیدوارکننده را قبل از انجام آزمایشهای پرهزینه، حتی برای سیستمهای آلیاژی که بررسی تجربی آنها دشوار بوده است، در رایانه ممکن کند."
این رویکرد میتواند به تغییر توسعه مواد از فرآیند سنتی آزمون و خطا «ساخت و آزمایش» به سمت پارادایم کارآمدتر «پیشبینی قبل از ساختن» کمک کند. در نتیجه، پتانسیل کاهش زمان توسعه و هزینه های آزمایشی را دارد."
توکوترو اوسوگی و همکاران، پالایش عوامل اندازه حجم مبتنی بر یادگیری انتقالی از محاسبات اصول اول، Materialia (2026). DOI: 10.1016/j.mtla.2026.102888
کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →
لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →
متن اصلی (انگلیسی)
Transfer learning corrects alloy calculations to predict unexplored materials
Metals can be transformed into alloys by adding different elements, allowing their strength, stability and other properties to be tailored. A key parameter for understanding these properties is the volume size factor (VSF), which quantifies lattice distortion caused by differences in atomic size.