Efficient Materials Informatics between Rockets and Electrons

要約

計算科学研究の真の力は、通常、それが何を達成するか、あるいは何を他者に達成させるかにある。この研究では、材料とは何かを抽象化する3つの一般的なスケール（原子論的、物理学的、設計的）において、いくつかの異なる取り組みが同時に行われている。それぞれにおいて、(1)データを含む基礎となる事前知識の基本的な理解、(2)それを活用する展開ルート、(3)自律的または半自律的にそれを拡張するパスウェイに基づき、効率的な材料情報学インフラストラクチャが一から構築されており、同時に人工知能(AI)に大きく依存し、確立されたDFTベースの第一原理およびCALPHADベースの熱力学的手法を導いている。 その結果、マルチレベルの探索インフラは、既存の解を探すのではなく、問題を簡単に解決するために問題を符号化することに重点を置いているため、非常に汎用性が高い。この学位論文では、超高温耐火性高エントロピー合金（RHEA）を組み込んだ多合金傾斜機能材料（FGM）の設計について、CO2排出量を削減するガスタービンやジェットエンジンの効率向上、および極超音速機について述べる。この研究は、組合せ論に基づき新たに開発されたアルゴリズムを用いて、基礎となる数学的空間の新しいグラフ表現を活用するものであり、コミュニティを悩ませる多くの問題の対象とはならない。その下にある特性モデルと位相関係は、ULTERAと呼ばれる世界最大かつ最高品質のHEAデータセットの最適化されたサンプリングから学習される。原子レベルでは、MPDDと呼ばれる450万以上の緩和構造から機械学習（ML）のために最適化されたデータエコシステムが、新しい効率的なフィーチャライゼーションフレームワークによって可能になった安定性データを提供することによって、実験的観測に情報を与え、熱力学モデルを改善するために使用されている。

要約(オリジナル)

The true power of computational research typically can lay in either what it accomplishes or what it enables others to accomplish. In this work, both avenues are simultaneously embraced across several distinct efforts existing at three general scales of abstractions of what a material is – atomistic, physical, and design. At each, an efficient materials informatics infrastructure is being built from the ground up based on (1) the fundamental understanding of the underlying prior knowledge, including the data, (2) deployment routes that take advantage of it, and (3) pathways to extend it in an autonomous or semi-autonomous fashion, while heavily relying on artificial intelligence (AI) to guide well-established DFT-based ab initio and CALPHAD-based thermodynamic methods. The resulting multi-level discovery infrastructure is highly generalizable as it focuses on encoding problems to solve them easily rather than looking for an existing solution. To showcase it, this dissertation discusses the design of multi-alloy functionally graded materials (FGMs) incorporating ultra-high temperature refractory high entropy alloys (RHEAs) towards gas turbine and jet engine efficiency increase reducing CO2 emissions, as well as hypersonic vehicles. It leverages a new graph representation of underlying mathematical space using a newly developed algorithm based on combinatorics, not subject to many problems troubling the community. Underneath, property models and phase relations are learned from optimized samplings of the largest and highest quality dataset of HEA in the world, called ULTERA. At the atomistic level, a data ecosystem optimized for machine learning (ML) from over 4.5 million relaxed structures, called MPDD, is used to inform experimental observations and improve thermodynamic models by providing stability data enabled by a new efficient featurization framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL