기계 학습을 통한 작은 철 다결정의 탄성 및 소성 특성 예측

Scientific Reports 13권, 기사 번호: 13977(2023) 이 기사 인용

82 액세스

4 알트메트릭

측정항목 세부정보

결정질 재료의 변형은 복잡한 시스템 동작의 흥미로운 예입니다. 작은 샘플은 일반적으로 외부에서 가해지는 응력에 대해 확률론적, 불규칙적인 반응을 나타내며 기계적 특성에서 샘플 간 상당한 변화로 나타납니다. 이 연구에서 우리는 분자 역학 시뮬레이션과 기계 학습을 결합하여 Voronoi 테셀레이션으로 생성된 대규모 작은 입방체 모양의 철 다결정 세트의 샘플 종속 전단 계수와 항복 응력의 예측 가능성을 연구합니다. 샘플의 초기 다결정 구조와 그에 따른 응력-변형 곡선의 특징 사이의 매핑을 추론하기 위해 컨벌루션 신경망을 훈련하면 전단 계수가 항복 응력보다 더 잘 예측될 수 있음이 드러납니다. 우리는 초기 상태의 작은 섭동에 대한 시스템 반응의 민감도라는 맥락에서 결과를 논의합니다.

실험에서 연구된 결정질 재료는 거의 완벽한 단결정 구조가 아닙니다. 대부분 격자 결함을 포함하고 일반적으로 다결정입니다. 즉, 입자 경계로 분리된 서로 다른 격자 방향의 여러 입자로 구성되며, 이는 샘플의 기계적 특성을 결정하는 데 중요한 역할을 합니다1. 변형하는 동안 미세한 규모의 다결정 역학의 복잡성으로 인해 초기 상태(미세 구조)를 기반으로 단일 샘플의 기계적 반응을 예측하는 것이 어려워집니다. 더욱이, 결정 가소성은 크기 효과를 나타내며, 이는 더 작은 시스템이 더 강하고(주어진 변형률에 도달하는 데 필요한 응력이 더 높음) 외부에서 가해지는 응력에 대한 기계적 반응이 불규칙한 경향이 있으며 샘플 간 상당한 변화가 특징이라는 것을 의미합니다. ,삼. 후자의 특징은 작은 다결정의 샘플 의존적 미세 구조에서 비롯되며, 이는 기계적 반응을 예측하는 것이 특히 어려울 수 있음을 의미합니다.

최근 몇 년 동안 많은 과학 분야에서 기계 학습(ML) 기술의 개발 및 적용에 큰 진전이 관찰되었습니다4,5,6,7,8,9. 재료 과학에서는 샘플10,11,12을 식별 및 특성화하고, 원하는 특성을 가진 새로운 재료를 설계하고,13,14,15,16, 구조와 재료 특성 간의 관계를 설정할 수 있는 방법의 출현으로 이어졌습니다17,18 ,19,20. 본 연구와 관련된 관련 연구 문제는 변형 중에 재료 샘플의 기계적 반응을 예측하는 것입니다. 일반적인 문제 설명은 다음과 같이 공식화될 수 있습니다. 샘플의 초기 상태(미세 구조)에 대한 설명이 주어지면 기계적 반응을 얼마나 정확하게 예측할 수 있습니까?

주어진 ML 알고리즘의 예측 정확도는 예를 들어 결정 계수 \(r^2\)로 정량적으로 표현될 수 있습니다. 연구된 시스템이 결정론적 운동 방정식의 지배를 받는 경우 원칙적으로 역학을 완벽하게 표현하도록 알고리즘을 훈련하는 것이 가능해야 하며, 이는 완벽한 예측 가능성 점수 \(r^2=1\)를 얻게 됩니다. 그러나 실제로는 이런 일이 일반적으로 발생하지 않습니다. 많은 복잡한 시스템의 역학은 어느 정도 혼란스럽거나 전위 역학의 경우처럼 중요한 동작을 나타냅니다. 이는 작은 소성 변형 결정과 같은 복잡한 시스템의 시간 변화가 초기 조건의 작은 교란에 민감할 수 있음을 의미합니다. 즉, 시스템의 초기 상태를 약간만 교란하면 후속 역학에 상당한 차이가 발생할 수 있습니다. 이는 원자 수준에서 모든 원자의 위치와 속도를 포함하는 초기 상태의 전체 정보를 일반적으로 사용할 수 없기 때문에 이러한 시스템의 시간 진화를 예측할 수 있는 범위(예: ML 알고리즘을 통해)를 제한합니다. 실험적 관찰의 유한한 정밀도 또는 데이터의 대략적인 수치 표현. 더욱이, 유한 십진 정밀도로 인해 수치 시뮬레이션은 결코 완벽하게 정확하지 않으며, 이는 초기 상태의 작은 섭동으로 인한 차이를 더욱 증폭시킬 수 있습니다. 이 연구는 컴퓨터 시뮬레이션에만 관련되어 있지만 위에서 논의한 것처럼 초기 미세구조의 특성화(다양한 이미징 기술 사용)가 유한한 정밀도를 갖는 실험에서도 초기 상태에 대한 완전한 설명이 부족합니다.