[論文レビュー] Machine-Learning-Based Intelligent Framework for Discovering Refractory High-Entropy Alloys with Improved High-Temperature Yield Strength

Stephen A. Giles, Debasis Sengupta+2 more|arXiv (Cornell University)|Dec 5, 2021

High Entropy Alloys Studies被引用数 5

ひとこと要約

本論文は、高温での降伏強度を向上させた耐火高エントロピー合金（RHEA）の発見を加速するための機械学習駆動フレームワークを提示する。不確実性を定量化した降伏強度予測モデルと最適化手法を組み合わせることで、広大な組成空間を効率的に探索し、特定の高温条件下で最大の降伏強度を示す新たなRHEA組成を同定する。

ABSTRACT

Refractory high-entropy alloys (RHEAs) are a promising class of alloys that show elevated-temperature yield strengths and have potential to use as high-performance materials in gas turbine engines. However, exploring the vast RHEA compositional space experimentally is challenging, and only a small fraction of this space has been explored to date. The work demonstrates the development of a state-of-the-art machine learning (ML) predictive framework coupled with optimization methods to intelligently explore the vast compositional space and drive the search in a direction that improves high-temperature yield strengths. Our forward yield strength model is shown to have a significantly improved predictive accuracy relative to the state-of-the-art approach, and also provides inherent uncertainty quantification through the use of repeated k-fold cross-validation. Upon development of a robust yield strength prediction model, the coupled framework is used to discover new RHEAs with superior high temperature yield strength. We have shown that RHEA compositions can be customized to have maximum yield strength at a specific temperature.

研究の動機と目的

• 耐火高エントロピー合金（RHEA）の膨大な組成空間を実験的に探索する課題に対処すること。
• ガスタービン応用向けに高性能RHEAを同定するための従来の試行錯誤手法の限界を克服すること。
• 高温での降伏強度を高い予測精度と不確実性の定量化を併せ持つ機械学習モデルを開発すること。
• 統合された最適化を用いて、高精度な降伏強度を示すRHEA組成への知的な探索を促進すること。
• 特定の動作温度で最大の降伏強度を発揮するように、RHEAの標的設計を可能にすること。

提案手法

• RHEAの組成に基づいて高温での降伏強度を予測する前向きな機械学習モデルの開発。
• 妥当性と予測における不確実性の定量化を保証するため、繰り返しk分割交差検証を活用する。
• 訓練済みの降伏強度モデルを最適化アルゴリズムと統合し、組成空間を効率的に探索する。
• ユーザーが定義した高温条件下で降伏強度を最大限に引き出すRHEA組成の同定にフレームワークを適用する。
• モデルの不確実性推定値を活用して、予測の信頼性が高いか高い組成空間の領域を優先順位付けする。
• 最先端の手法と比較して、モデルの性能を検証し、より優れた予測精度を示すことを確認する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、既存の手法と比較して、RHEAの高温での降伏強度予測においてより高い予測精度を達成できるか？
• RQ2 繰り返しk分割交差検証による不確実性の定量化は、降伏強度予測の信頼性をどの程度向上できるか？
• RQ3 統合されたML-最適化フレームワークは、優れた高温での降伏強度を示す新たなRHEA組成を同定できるか？
• RQ4 特定のターゲット温度で最大の降伏強度を達成するために、RHEA組成をどの程度カスタマイズできるか？
• RQ5 このフレームワークは、RHEA開発における高コストかつ時間のかかる実験スクリーニングの必要性をどの程度低減できるか？

主な発見

• 提案された機械学習モデルは、最先端の手法と比較して、高温での降伏強度予測において顕著に高い予測精度を示した。
• 繰り返しk分割交差検証の使用により、信頼性の高い不確実性の定量化が可能となり、モデルの信頼性が向上した。
• フレームワークは、特定の高温条件下で最大の降伏強度を発揮するように適合された新たなRHEA組成を効果的に同定した。
• ML予測と最適化の統合により、広大なRHEA組成空間を効率的に探索できるようになった。
• フレームワークにより、望ましい動作温度で最適な性能を発揮するRHEAの標的設計が可能となり、包括的な実験スクリーニングへの依存が軽減された。
• 結果は、高性能耐火高エントロピー合金の発見を加速する知的でデータ駆動の手法の実現可能性を確認した。