怎么可以治疗白癜风 http://m.39.net/baidianfeng/qzzt/bdfnzhm/

Ai赋能材料

论文简介

通过预测弹性模量作为替代物，将合成工作导向具有高硬度的化合物。该方法筛选在晶体结构数据库中编译的种化合物，以获得由支持向量机回归确定的具有最高体积模量和剪切模量的材料。根据这些模型，在常压下选择并合成了三元铼碳化钨和四元钼碳化钨。高压金刚石砧槽测量证实了机器学习对体积模量的预测，误差小于10%，并证实了这两种化合物的超不可压缩性质。随后的维氏显微硬度测量显示，每种化合物在低负荷（0.49N）下的硬度也非常高，超过了40GPa的超硬阈值。这些结果表明，通过识别功能性无机材料，通过最先进的机器学习技术开发材料是有效的。

图文导读

图1.（a）使用SVR模型与训练集（BDFT）交叉验证B值。虚线是理想的1:1比率，而实线是与预测值的拟合。虚线和实线之间的偏差表明，低值时略微高估，而高值时略微低估。（b）交叉验证B模型的相对误差百分比内预测的化合物分数。

图2.（a）使用SVR模型与训练集（GDFT）交叉验证G值。虚线是理想的1:1比率，而实线则与预测值相符。虚线和实线之间的偏差表明，在低值时略微高估，而在高值时则显著低估。（b）交叉验证G模型的相对误差百分比内预测的化合物分数。

图3.绘制了个来自PCD的无机化合物的SVR预测G和B模量。垂直虚线分隔具有高电位B的化合物，而水平虚线分隔具有高电位G模量的化合物。右上角包含的化合物可能是硬的或超硬的。红色和蓝色圆圈对应Mo0.9W1.1BC和Re0.5W0.5C，分别用于后续合成和表征。

图4.（a）ReWCx和（b）Mo0.9W1.1BC粉末X射线衍射数据的LeBailrefinementplot。实验数据为蓝色（ReWCx）和红色（Mo0.9W1.1BC）；Le-Bail拟合为浅灰色，差分曲线为深灰色。

图5.（a）x=2的ReWCx晶体结构和（b）Mo0.9W1.1BC的晶体结构。Re是蓝色，Mo是红色，W是浅灰色，B是深灰色，C是黑色。

图6.（a）ReWC0.8和（b）Mo0.9W1.1BC维氏显微压痕（HV）测量值作为施加载荷的函数，误差棒对应于10次独立测量的误差。每个载荷下的代表性压痕标记如下面的图文所示。

作者信息

参考引用：

AriaMansouriTehrani,AntonO.Oliynyk,etal.Machinelearningdirectedsearchforultrain

转载请注明:http://www.aideyishus.com/lktp/301.html