Automatisierte pyiron-Workflows beschleunigen die Entwicklung maschineller Lernpotenziale in der Materialwissenschaft (NFDI-MatWerk)

Die Implementierung automatisierter Workflows auf Basis von pyiron verbessert die Erstellung von interatomaren Potenzialen für maschinelles Lernen (MLPs) in der Materialwissenschaft grundlegend. Dieses umfassende und benutzerfreundliche Framework, das auf der integrierten Entwicklungsumgebung (IDE) von pyiron aufbaut, ermöglicht es Forscher:innen, den gesamten MLP-Entwicklungszyklus nahtlos zu durchlaufen. Der Prozess beginnt mit der Erstellung systematischer Dichtefunktionaltheorie-Datenbanken (DFT), gefolgt von der Anpassung der DFT-Daten an verschiedene empirische Potenziale oder MLPs und gipfelt in der Validierung dieser Potenziale durch einen weitgehend automatisierten Ansatz. Die Leistungsfähigkeit des Frameworks zeigt sich in seiner Anwendung auf drei verschiedene Klassen von interatomaren Potenzialen: die Embedded-Atom-Methode (EAM), hochdimensionale neuronale Netzwerkpotenziale (HDNNP) und die Atomcluster-Expansion (ACE). Jede Methode demonstriert die Vielseitigkeit und Effizienz der pyiron-Workflows.

Eine bemerkenswerte Erfolgsgeschichte ist die Berechnung eines binären Zusammensetzungs-Temperatur-Phasendiagramms für die Al-Li-Legierung, einem für die Luft- und Raumfahrtindustrie wichtigen Leichtbaumaterial. Diese fortschrittliche Validierung demonstriert nicht nur die Fähigkeiten des Frameworks, sondern unterstreicht auch sein Potenzial, die Forschung und Entwicklung in der Werkstofftechnik zu beschleunigen und den Weg für innovative Anwendungen in verschiedenen Technologiebereichen zu ebnen. Eine ausführliche Beschreibung der erfolgreichen Implementierung von pyiron finden Sie im Nature Communications Artikel.

Weitere Infos:

• https://www.nature.com/articles/s41524-024-01441-0
• https://pyiron.org/

Andere Beiträge