[논문 리뷰] Machine-Learning-Based Intelligent Framework for Discovering Refractory High-Entropy Alloys with Improved High-Temperature Yield Strength

Stephen A. Giles, Debasis Sengupta외 2명|arXiv (Cornell University)|2021. 12. 05.

High Entropy Alloys Studies인용 수 5

한 줄 요약

이 논문은 고온에서 높은 항복 강도를 갖는 내열 고엔트로피 합금(RHEAs)의 발견을 가속화하기 위한 기계학습 기반 프레임워크를 제시한다. 강력하고 불확실성 정량화가 가능한 항복 강도 예측 모델을 최적화 기법과 결합함으로써, 방대한 조성 공간을 효율적으로 탐색하고 특정 고온에서 최대 항복 강도를 갖도록 설계된 새로운 RHEA 조성을 식별한다.

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.

연구 동기 및 목표

• 내열 고엔트로피 합금(RHEAs)의 방대한 조성 공간을 실험적으로 탐색하는 데 도전하는 것.
• 가스 터빈 응용 분야에서 고성능 RHEAs를 식별하는 데 있어 전통적인 시행착오 방식의 한계를 극복하는 것.
• 고온에서의 항복 강도에 대해 높은 예측 정확도와 함께 불확실성 정량화 기능을 갖춘 기계학습 모델을 개발하는 것.
• 통합된 최적화를 통해 지능적으로 RHEA 조성을 탐색하여 고온에서 최적의 항복 강도를 갖도록 유도하는 것.
• 특정 작동 온도에서 최대 항복 강도를 얻을 수 있도록 RHEAs를 표적적으로 설계할 수 있도록 하는 것.

제안 방법

• RHEA 조성을 기반으로 한 고온 항복 강도를 예측하기 위한 전향적 기계학습 모델을 개발한다.
• 예측의 강건성 확보와 함께 내재된 불확실성 정량화를 제공하기 위해 반복적 k-겹 교차검증을 활용한다.
• 훈련된 항복 강도 모델을 최적화 알고리즘과 통합하여 조성 공간을 효율적으로 탐색한다.
• 사용자가 정의한 고온에서 항복 강도를 최대화하는 RHEA 조성을 식별하기 위해 프레임워크를 적용한다.
• 모델의 불확실성 추정치를 활용하여 높은 예측 신뢰도를 갖는 조성 공간 영역을 우선순위로 지정한다.
• 최신 기술 수준의 접근 방식과의 성능 비교를 통해 더 높은 예측 정확도를 입증하기 위해 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 기계학습 모델이 RHEAs의 고온 항복 강도에 대해 더 높은 예측 정확도를 달성할 수 있는가?
• RQ2 반복적 k-겹 교차검증을 통한 불확실성 정량화가 항복 강도 예측의 신뢰성 향상에 얼마나 효과적인가?
• RQ3 통합된 기계학습-최적화 프레임워크는 고성능 고온 항복 강도를 갖는 새로운 RHEA 조성을 식별할 수 있는가?
• RQ4 특정 목표 온도에서 최대 항복 강도를 달성하기 위해 RHEA 조성을 얼마나 정밀하게 맞춤 설계할 수 있는가?
• RQ5 이 프레임워크는 RHEA 개발 과정에서 비용이 많이 들고 시간이 오래 소요되는 실험적 篩選을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 기계학습 모델은 최신 기술 수준의 접근 방식에 비해 고온 항복 강도에 대해 뚜렷이 향상된 예측 정확도를 보였다.
• 반복적 k-겹 교차검증의 사용은 신뢰할 수 있는 불확실성 정량화를 제공하여 모델의 신뢰도를 향상시켰다.
• 프레임워크는 특정 고온에서 최대 항복 강도를 달성하도록 설계된 새로운 RHEA 조성을 성공적으로 식별했다.
• 기계학습 예측과 최적화의 통합을 통해 방대한 RHEA 조성 공간을 효율적으로 탐색할 수 있었다.
• 프레임워크를 통해 원하는 작동 온도에서 최적의 성능을 내는 RHEAs를 표적적으로 설계할 수 있었으며, 전반적인 실험적 篩選에 대한 의존도를 감소시켰다.
• 결과는 지능적이고 데이터 기반의 방법을 활용해 고성능 내열 고엔트로피 합금의 발견을 가속화할 수 있음을 확인했다.