Uma receita simples para projetar classes de cerâmica multicomponente de ultra-alta temperatura usando mapas de estrutura acoplados com aprendizado de máquina

A síntese bem-sucedida de cerâmica de alta entropia (HEC) nova para classes de aplicação de ultra-alta temperatura, nomeadamente, boretos, carbetos e nitretos, tem enfrentado um gargalo em ter uma estratégia de design e síntese bem-sucedida adequadas. Produzir cerâmicas ultra-alta temperatura de alta entropia a partir de seus óxidos oferece uma grande vantagem de processamento, enquanto empregar uma abordagem de design usando aprendizado de máquina aumenta a eficiência da formação de HECs de fase única. Nesse sentido, propomos uma estratégia generalizada para gerar um banco de dados semi-sintético para cada uma dessas classes usando dados da literatura e gráficos de mapeamento do ambiente atômico, que podem ser utilizados para construir modelos de aprendizado de máquina. O desequilíbrio do conjunto de dados foi tratado usando amostragem sintética adaptativa e a técnica de vizinhos mais próximos editados. Os modelos treinados são capazes de prever com precisão mais de 90% da química de fase única para cada uma das classes. Além disso, algumas composições representando essas classes foram sintetizadas com sucesso a partir da mistura de óxido correspondente para validar a eficácia da estratégia proposta.