


Meneroka resapan atom dalam bahan komposit, UC membangunkan kaedah dinamik rangkaian saraf

Editor |.
Penyebaran dalam bahan menentukan dinamik pemendakan, pembentukan fasa baharu dan evolusi mikrostruktur dan sangat mempengaruhi sifat mekanikal dan fizikal. Kerumitan kimia yang wujud bagi bahan dengan komposisi kompleks menimbulkan cabaran kepada pemodelan resapan atom dan pembentukan struktur tersusun secara kimia.
Dalam hal ini, penyelidik dari University of California telah mencadangkan kaedah dinamik rangkaian saraf (NNK) untuk meramalkan penyebaran atom dan evolusi mikrostruktur yang terhasil dalam bahan dengan komposisi kompleks.
Rangka kerja ini berdasarkan struktur kekisi yang cekap dan pencirian kimia, digabungkan dengan rangkaian saraf tiruan, dan mampu meramal dengan tepat semua halangan migrasi yang bergantung kepada laluan dan lompatan atom tunggal. Rangka kerja NNK boleh skala menyediakan jalan baharu yang menjanjikan untuk meneroka sifat berkaitan resapan dalam ruang gabungan yang luas yang menyembunyikan sifat luar biasa.
Penyelidikan berkaitan bertajuk "
Kinetik rangkaian saraf untuk meneroka kepelbagaian resapan dan susunan kimia dalam bahan kompleks secara komposisi" telah diterbitkan dalam "Komunikasi Alam Semulajadi" pada 9 Mei.
Pautan kertas:
Pemindahan atom ke lokasi yang lain ion mengawal banyak proses dan tingkah laku penting, seperti pemendakan dan nukleasi fasa.
Dalam logam dan aloi, proses resapan berkaitan dengan kekosongan dan kecacatan titik yang menjadi pengantara lompatan atom dalam kekisi kristal. Pemodelan dinamik molekul (MD) berdasarkan medan daya atau teori fungsi ketumpatan boleh menyiasat mekanisme resapan atom pada skala masa nanosaat, tetapi perubahan mikrostruktur yang disebabkan oleh dinamik resapan perlahan sering tidak dapat diperolehi. Kaedah simulasi kMC ialah teknik yang digunakan untuk mensimulasikan evolusi struktur pengantaraan resapan. Dalam simulasi kMC, disebabkan kos pengiraan carian keadaan peralihan yang tinggi, parameter utama biasanya diparameterkan daripada model kontinum. Kemunculan aloi kompleks berkomposisi (CCA), sering dirujuk sebagai aloi entropi tinggi, telah menghasilkan banyak gelagat dinamik yang menarik, termasuk susunan kimia jarak dekat, pemendakan, pengasingan dan penghapusan kecacatan sinaran, yang belum lagi pada asasnya. memahami pemahaman dan ramalan akhir. Walau bagaimanapun, kerumitan kimia dalam CCA membawa cabaran baharu kepada pemodelan proses pengantaraan resapan. Kemunculan kaedah pembelajaran mesin telah menunjukkan potensi untuk menyelesaikan masalah kompleks pengiraan dalam sains bahan yang melibatkan interaksi tak linear dan ruang gabungan berskala besar. Mengenai resapan kekosongan dalam aloi dengan komposisi kompleks, parameter utama yang penting ialah penghalang tenaga resapan ΔE, iaitu perbezaan tenaga antara keadaan peralihan dan minimum tenaga awal. Disebabkan turun naik komposisi skala atom dan kehadiran berbilang arah resapan dalam CCA, model pembelajaran mesin diperlukan untuk meramalkan sifat vektor dengan tepat, terutamanya halangan potensi berkaitan laluan resapan.Skim Dinamik Rangkaian Neural
Dalam kajian ini, penyelidik mencadangkan skim dinamik rangkaian saraf (NNK) untuk meramal dan mensimulasikan evolusi kimia dan struktur yang disebabkan oleh resapan dalam persekitaran kimia pekat yang kompleks.
Rajah a di bawah ialah struktur kekisi dan perwakilan kimia di mana konfigurasi atom awal dengan kekosongan dikodkan ke dalam matriks berangka atau rajah neuron. Nombor (1, 2, dan 3) mewakili jenis atom yang sepadan, dan 0 mewakili kekosongan. Nombor vektor ini kemudiannya dihantar ke model NNK dan digunakan sebagai neuron input.Ilustrasi: Gambar rajah skema rangka kerja dinamik rangkaian saraf (NNK). (Sumber: kertas)
Meneroka resapan, susunan kimia dalam bahan dengan komposisi kompleks
Menggunakan NNK dan bcc NbMoTa sebagai sistem model, penyelidik meneroka susunan kimia pengantaraan kinetik resapan dan pembentukan fasa B2, dan mendedahkan penyebaran anomali berbilang CCA (D) .
Mendapati kewujudan suhu kritikal di mana susunan B2 (sel unit B2 mempunyai struktur bcc mudah, terdiri daripada dua bahan, Ta dan Mo, yang dipesan di sudut atau pusat kubus) mencapai maksimum. Kebergantungan suhu susunan kimia berkait rapat dengan stokastik lompat kekisi yang mendasari.
Pada suhu tinggi yang hampir dengan takat lebur, lompatan resapan akhirnya menghampiri proses rawak semata-mata, sepadan dengan kecenderungan rendah untuk pembentukan tertib. Pada suhu rendah, resapan kekisi didominasi oleh laluan penghalang paling rendah, menjelma sebagai lompat arah dan mengehadkan nukleasi struktur tersusun secara kimia. Pada suhu kritikal dalam julat pertengahan, lompatan kekisi rawak dan berarah merebak ke seluruh sistem, mempamerkan heterogeniti difusi tertinggi (kepelbagaian).
Dengan mengesan gugusan B2 individu semasa proses penyepuhlindapan, didapati nukleasi dan pertumbuhannya adalah terputus-putus dan tidak seragam, disertai dengan pengurangan dan pemusnahan gugusan kecil. Ciri tersendiri pertumbuhan kinetik struktur B2 ini tidak ditangkap oleh pemodelan berasaskan termodinamik maya menggunakan pertukaran jenis atom rawak, yang menunjukkan pertumbuhan yang lebih seragam.
Keputusan ini menyerlahkan laluan kinetik CCA yang kompleks dan banyak ke arah keadaan yang stabil, di mana banyak proses seperti nukleasi, penghapusan, pertumbuhan dan penyusunan semula struktur tersusun berinteraksi dan menyelaras.
Rangkaian saraf yang dilatih pada berpuluh-puluh komponen menunjukkan prestasi tinggi pada komponen yang tidak kelihatan, mendedahkan keseluruhan ruang terner Nb-Mo-Ta. Memandangkan ruang reka bentuk untuk gubahan hampir tidak terhad, bahan-bahan kompleks secara gubahan yang dibentuk dengan mencampurkan pelbagai elemen membuka alam baharu untuk diterokai.
Dengan memautkan terus gubahan berbilang dimensi kepada spektrum penghalang resapan, NNK menunjukkan laluan yang cerah ke arah meneroka ruang komposisi CCA yang luas, di mana sifat dinamik yang luar biasa tersembunyi.
Atas ialah kandungan terperinci Meneroka resapan atom dalam bahan komposit, UC membangunkan kaedah dinamik rangkaian saraf. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Pada tahun 2023, hampir setiap bidang AI berkembang pada kelajuan yang tidak pernah berlaku sebelum ini. Pada masa yang sama, AI sentiasa menolak sempadan teknologi trek utama seperti kecerdasan yang terkandung dan pemanduan autonomi. Di bawah trend berbilang modal, adakah status Transformer sebagai seni bina arus perdana model besar AI akan digoncang? Mengapakah penerokaan model besar berdasarkan seni bina MoE (Campuran Pakar) menjadi trend baharu dalam industri? Bolehkah Model Penglihatan Besar (LVM) menjadi satu kejayaan baharu dalam penglihatan umum? ...Daripada surat berita ahli PRO 2023 laman web ini yang dikeluarkan dalam tempoh enam bulan lalu, kami telah memilih 10 tafsiran khas yang menyediakan analisis mendalam tentang aliran teknologi dan perubahan industri dalam bidang di atas untuk membantu anda mencapai matlamat anda dalam bidang baharu. tahun. Tafsiran ini datang dari Week50 2023

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Retrosynthesis ialah tugas kritikal dalam penemuan ubat dan sintesis organik, dan AI semakin digunakan untuk mempercepatkan proses. Kaedah AI sedia ada mempunyai prestasi yang tidak memuaskan dan kepelbagaian terhad. Dalam amalan, tindak balas kimia sering menyebabkan perubahan molekul tempatan, dengan pertindihan yang besar antara bahan tindak balas dan produk. Diilhamkan oleh ini, pasukan Hou Tingjun di Universiti Zhejiang mencadangkan untuk mentakrifkan semula ramalan retrosintetik satu langkah sebagai tugas penyuntingan rentetan molekul, secara berulang menapis rentetan molekul sasaran untuk menghasilkan sebatian prekursor. Dan model retrosintetik berasaskan penyuntingan EditRetro dicadangkan, yang boleh mencapai ramalan berkualiti tinggi dan pelbagai. Eksperimen yang meluas menunjukkan bahawa model itu mencapai prestasi cemerlang pada set data penanda aras standard USPTO-50 K, dengan ketepatan 1 teratas 60.8%.
