Rete Neurale Grafica Cristallina Frazionale Prevede l'Energia delle Leghe ad Alta Entropia

Un nuovo modello di apprendimento automatico, la rete neurale grafica cristallina frazionale (CFGNN), è stato sviluppato per prevedere l'energia delle leghe ad alta entropia (HEA). Le HEA sono materiali composti da più elementi principali in rapporti quasi equimolari, noti per le loro eccezionali proprietà meccaniche e termiche. La CFGNN integra ambienti atomici locali e informazioni compositive globali attraverso tre componenti: una rete neurale grafica cristallina che utilizza strati di attenzione grafica per apprendere le interazioni locali tra 16 atomi in sito; una rete neurale frazionale che incorpora le frazioni globali degli elementi costituenti; e una rete di fusione delle caratteristiche che combina gli output per prevedere l'energia totale del cristallo. Il modello è stato addestrato su 1.049 strutture cristalline e validato su 198 strutture quaternarie, con iperparametri ottimizzati tramite Optuna. Lo studio è pubblicato su arXiv.