Rekordniedriger elastischer Modul in β-Titanlegierungen, die mit einem domänenadversarialen neuronalen Netzwerk entworfen wurden

Zusammenfassung Die Entwicklung von β-Titanlegierungen mit knochenähnlichen elastischen Modulen bleibt eine bedeutende Herausforderung. Obwohl maschinelles Lernen das Potenzial hat, die Entdeckung von Legierungen zu beschleunigen, stehen traditionelle Methoden oft vor Datenbeschränkungen wie Sparsamkeit, compositionale Diskontinuität und Merkmalsheterogenität, was zu Überanpassung führt und die Erkundung neuer compositionaler Räume einschränkt. In dieser Studie präsentieren wir ein Framework eines domänenadversarialen neuronalen Netzwerks, das prädiktive Genauigkeit mit der Generalisierungsfähigkeit unerforschter Kompositionsräume durch integrierte Merkmalsanpassung und adversariales Training ausbalanciert. Mit diesem Ansatz haben wir erfolgreich eine nicht-intuitive β-Ti-Legierung mit einem ultra-niedrigen elastischen Modul von 28 ± 3 GPa entwickelt, die neue Einblicke über konventionell gestaltete biomedizinische Titanlegierungen hinaus bietet. Diese Arbeit etabliert ein Screening-Framework für die Materialentdeckung in kleinen Datensätzen, mit weitreichenden Implikationen für das Design biomedizinischer und anderer Legierungssysteme.