Ein generatives Deep-Learning-Framework für inverse Design von kompositionell komplexen massiven metallischen Gläsern

Zusammenfassung Das Design von massiven metallischen Gläsern (BMGs) mittels maschinellen Lernens (ML) war kürzlich ein Thema aktiver Forschung. Die bisherigen ML-Modelle basierten jedoch größtenteils auf überwachten Lernalgorithmen mit menschlichen Eingaben, um den hochdimensionalen kompositionellen Raum zu navigieren, was mit zunehmender kompositioneller Komplexität bei BMGs ineffizient wird. Hier entwickeln wir ein generatives Deep-Learning-Framework, um direkt kompositionell komplexe BMGs, wie z.B. hochentropische BMGs, zu generieren. Unser Framework basiert auf dem unüberwachten Generativen Adversarial Network (GAN)-Algorithmus zur Datengenerierung und dem überwachten Boosted Trees-Algorithmus zur Datenauswertung. Wir haben systematisch den verfälschenden Effekt verschiedener Datenbeschreiber und der Literaturdaten auf die Effektivität unseres Frameworks sowohl numerisch als auch experimentell untersucht. Am wichtigsten ist, dass wir zeigen, dass unser generatives Deep-Learning-Framework in der Lage ist, Kompositions-Eigenschaft-Abbildungen zu erzeugen, und damit den Weg für das inverse Design von BMGs ebnet.