موضوع : متن کامل پایان نامه انگلیسی : بررسی پتانسیل های بین اتمی برای بررسی خواص ترمودینامیکی و الاستیک Ti0.5Al0.5N در دمای بالا
رشته : مواد متالورژی شیمی
سال انتشار : 2021
زبان : انگلیسی
مقطع : کارشناسی ارشد
چکیده (ترجمه ماشینی ) :
با افزایش چشمگیر قدرت محاسباتی موجود برای جامعه علم مواد در سال های اخیر، طیف وسیعی از اکتشافات جدید امکان پذیر شده است. با این حال، تحقیقات دقیق سیستم‌های اتمی در مقیاس بزرگ، هنوز با تقاضای محاسباتی بسیار بالایی همراه است. در حالی که توسعه اخیر ابر محاسبات شتابدار واحد پردازش گرافیکی (GPU) ممکن است تا حدودی راه حلی ارائه دهد، اکثر کدهای ساختار الکترونیکی شناخته شده هنوز به طور کامل برای استفاده از این قدرت جدید منتقل نشده اند. با افزایش تقاضا برای مواد جدید و بهتر از علم و صنعت، رویکرد کارآمدتری برای بررسی خواص مواد باید اجرا شود. استفاده از یادگیری ماشین (ML) برای به دست آوردن پتانسیل های بین اتمی (IP) که بسیار بهتر از پتانسیل های کلاسیک هستند، در سال های اخیر به شدت افزایش یافته است. با اجرای موفقیت‌آمیز روش‌های ML با استفاده از شبکه‌های عصبی یا توابع پایه گاوسی، دقت روش‌های ab-initio را می‌توان در تقاضای شبیه‌سازی با پتانسیل‌های تجربی به دست آورد. با این حال، اکثر رویکردهای ML به مجموعه داده‌هایی با دقت بالا نیاز دارند تا به اندازه کافی آموزش داده شوند. اگر چنین داده ای برای سیستم مورد نظر در دسترس نباشد، هزینه هنگفت ایجاد یک مجموعه داده بادوام از ابتدا می تواند به سرعت مزیت استفاده از ML را خنثی کند. در این پروژه دیپلم، خواص الاستیک و ترمودینامیکی آلیاژ تصادفی Ti0.5Al0.5N در دمای بالا با استفاده از رویکرد یادگیری فعال (AL) با بسته پتانسیل‌های بین اتمی یادگیری ماشین (MLIP) بررسی می‌شود. مشخص شد که خواص مواد به‌دست‌آمده در تطابق خوبی با نتایج حاصل از مطالعات محاسباتی محاسباتی اولیه Ti0.5Al0.5N، در کسری از تقاضا است. رویکرد AL نیازی به مجموعه داده‌های با دقت بالا یا دانش قبلی در مورد سیستم ندارد، زیرا این مدل در ابتدا بر روی داده‌های با دقت پایین آموزش داده می‌شود که در مرحله بعد از مجموعه آموزشی (TS) حذف می‌شوند. این اجازه می دهد تا یک فرآیند تکراری برای بهبود و گسترش مجموعه داده های مورد استفاده برای آموزش IP، بدون نیاز به مقادیر زیاد داده، انجام شود.
