DOI: https://doi.org/10.1038/s41524-025-01915-9
تاريخ النشر: 2026-01-08
المؤلف: Youheng Chen وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
في هذا القسم، يناقش المؤلفون حساسية طاقة العيب المتراكم (SFE) في السبائك المركزة بالنسبة للبيئة الذرية المحلية، مشددين على الحاجة إلى أخذ عينات واسعة من التكوين، مما يطرح تحديات حسابية كبيرة. للتغلب على هذه التحديات، يقترحون إطار عمل قائم على الشبكات العصبية الرسومية (GNN) يستخدم هياكل الكتلة غير المسترخية وهياكل العيب المتراكم كمدخلات للتنبؤ مباشرةً بـ SFE.
تؤكد الدراسة على قدرتين حرجتين للتقدير: تقدير الحجم، الذي يتضمن التنبؤ بطاقة التكوين في خلايا فائقة أكبر، وتقدير التركيب، الذي يسمح بالتنبؤات لطاقات التكوين للتركيبات غير المدرجة في مجموعة التدريب. من خلال الاستفادة من نموذج موثق، يمكن للمؤلفين التنبؤ في الوقت نفسه بطاقات التكوين لكل من تكوينات الكتلة والعيب المتراكم، وبالتالي حساب SFE. تسهل التشابه الهيكلي بين هذه التكوينات مشاركة المعلمات بشكل فعال، مما يؤدي إلى تسريع تقارب النموذج. يُلاحظ أن الإطار المقترح يتمتع بقدرة تفسير ممتازة وأداء قوي في تقدير التركيب.
مقدمة
تناقش المقدمة أهمية العيوب المتراكمة (SFs) في التأثير على الخصائص الميكانيكية وآليات التشوه في السبائك. وتبرز التحديات في قياس طاقة العيب المتراكم (SFE) في السبائك المركزة بسبب التغيرات التركيبية المحلية التي تؤثر على سلوك الانزلاق. تواجه الطرق التقليدية لحساب SFE، بما في ذلك القياسات التجريبية والمحاكاة الذرية، قيودًا في الكفاءة الحسابية والدقة، خاصة في أنظمة السبائك المعقدة. تحاول الأساليب الحديثة، مثل تلك التي قدمها فامسي وآخرون ولاروزا وآخرون، تبسيط حسابات SFE ولكن تواجه صعوبات تتعلق بتعقيد التركيب والتغيرات المحلية في طاقة الربط.
تؤكد المقدمة أيضًا على إمكانيات الشبكات العصبية الرسومية (GNNs) في علم المواد للتنبؤ بـ SFEs دون الاعتماد على أوصاف مصممة بواسطة البشر. يمكن لـ GNNs تحليل الأنظمة الكبيرة والمعقدة بكفاءة، مما يجعلها مناسبة للتنبؤ بطاقات التكوين عبر أنواع مختلفة من الشبكات البلورية. تستخدم هذه الدراسة شبكة عصبية تلافيفية بلورية (CGCNN) للتنبؤ بطاقات التكوين و SFEs في السبائك المركزة، مستفيدة من هياكل الكتلة و SF غير المسترخية. تستكشف الأبحاث قدرات النموذج في التقدير بالنسبة لحجم الخلايا الفائقة والتركيب، مما يوضح فعاليته في التنبؤ بـ SFE مع تقديم رؤى حول المساهمات العنصرية عبر الطبقات. تعزز استراتيجية التدريب الهرمية المقترحة كفاءة النموذج وقابليته للتكيف، مما يجعله أداة قيمة لتعزيز الفهم وتطوير السبائك المركزة.
نقاش
في هذا القسم، يناقش المؤلفون آثار حجم الخلية الفائقة على التنبؤ بطاقات التكوين وطاقة العيب المتراكم (SFE) في السبائك المركزة باستخدام إطار عمل الشبكة العصبية الرسومية (GNN). يؤكدون على التوازن بين الكفاءة الحسابية والقدرة على التقاط التفاعلات بعيدة المدى، مشيرين إلى أن الخلايا الفائقة الأكبر تعزز دقة النموذج وسرعة التقارب، محققة خطأ مطلق متوسط (MAE) أقل من 0.5 meV/ذرة مع عدد أقل من عينات التدريب. ومع ذلك، فإن الطلبات الحسابية المتزايدة للخلايا الفائقة الأكبر تتطلب نهجًا استراتيجيًا لإعداد البيانات، مقترحين مزيجًا من مجموعات بيانات الخلايا الفائقة الصغيرة للهياكل الكتلية وخلايا فائقة أكبر لبيانات العيب المتراكم لتحسين استخدام الموارد.
كما يبرز المؤلفون قدرة النموذج على التنبؤ بطاقات التكوين عبر تركيبات مختلفة، مع معالجة التحيزات المعتمدة على التركيب التي يمكن التخفيف منها من خلال تنويع مجموعة التدريب. يظهرون أن هذه التحيزات متسقة بين هياكل الكتلة والعيب المتراكم، مما يسمح بتنبؤات فعالة لـ SFE حتى بالنسبة للتركيبات غير المدرجة في بيانات التدريب. علاوة على ذلك، يقترحون استراتيجية تدريب هرمية تعظم استخدام بيانات الخلايا الفائقة الصغيرة لتدريب الطبقات الأولية من النموذج، مما يقلل من التكاليف الحسابية مع الحفاظ على دقة التنبؤ. لا تعزز هذه الاستراتيجية كفاءة النموذج فحسب، بل توسع أيضًا قابليته للتطبيق على أنواع العيوب المسطحة الأخرى، مما يظهر مرونة إطار عمل GNN في علم المواد.
DOI: https://doi.org/10.1038/s41524-025-01915-9
Publication Date: 2026-01-08
Author(s): Youheng Chen et al.
Primary Topic: Machine Learning in Materials Science
Overview
In this section, the authors discuss the sensitivity of stacking fault energy (SFE) in concentrated alloys to the local atomic environment, highlighting the need for extensive configuration sampling, which poses significant computational challenges. To overcome these challenges, they propose a graph neural network (GNN)-based framework that utilizes unrelaxed bulk and stacking fault structures as inputs to directly predict SFE.
The study emphasizes two critical extrapolation capabilities: scale extrapolation, which involves predicting formation energy in larger supercells, and compositional extrapolation, which allows for predictions of formation energy for compositions not included in the training set. By leveraging a validated model, the authors can simultaneously predict the formation energies of both bulk and stacking fault configurations, thereby computing the SFE. The structural similarity between these configurations facilitates efficient parameter sharing, leading to accelerated model convergence. The proposed framework is noted for its excellent interpretability and robust performance in compositional extrapolation.
Introduction
The introduction discusses the significance of stacking faults (SFs) in influencing the mechanical properties and deformation mechanisms of alloys. It highlights the challenges in measuring stacking fault energy (SFE) in concentrated alloys due to local compositional variations affecting dislocation behavior. Traditional methods for calculating SFE, including experimental measurements and atomic simulations, face limitations in computational efficiency and accuracy, particularly in complex alloy systems. Recent approaches, such as those by Vamsi et al. and LaRosa et al., attempt to simplify SFE calculations but encounter difficulties related to composition complexity and local variations in bonding energy.
The introduction further emphasizes the potential of graph neural networks (GNNs) in materials science for predicting SFEs without relying on human-designed descriptors. GNNs can efficiently analyze large and complex systems, making them suitable for predicting formation energies across different crystal lattice types. This study employs a crystal graph convolutional neural network (CGCNN) to predict formation energies and SFEs in concentrated alloys, utilizing unrelaxed bulk and SF structures. The research explores the model’s extrapolation capabilities concerning supercell size and composition, demonstrating its effectiveness in predicting SFE while providing insights into elemental contributions across layers. The proposed hierarchical training strategy enhances the model’s efficiency and adaptability, positioning it as a valuable tool for advancing the understanding and development of concentrated alloys.
Discussion
In this section, the authors discuss the implications of supercell size on the prediction of formation energies and stacking fault energies (SFE) in concentrated alloys using a Graph Neural Network (GNN) framework. They emphasize the trade-off between computational efficiency and the ability to capture long-range interactions, noting that larger supercells enhance model accuracy and convergence speed, achieving a mean absolute error (MAE) below 0.5 meV/atom with fewer training samples. However, the increased computational demands of larger supercells necessitate a strategic approach to data preparation, suggesting a combination of smaller supercell datasets for bulk structures and larger supercells for stacking fault data to optimize resource use.
The authors also highlight the model’s ability to predict formation energies across various compositions, addressing composition-dependent biases that can be mitigated by diversifying the training set. They demonstrate that these biases are consistent between bulk and stacking fault structures, allowing for effective SFE predictions even for compositions not included in the training data. Furthermore, they propose a hierarchical training strategy that maximizes the use of smaller supercell data to train initial layers of the model, thereby reducing computational costs while maintaining predictive accuracy. This approach not only enhances the model’s efficiency but also broadens its applicability to other planar fault types, showcasing the versatility of the GNN framework in materials science.