ترجمه فارسی مقاله توصیف، تبدیل، یادگیری ماشین: مهندسی ویژگی برای مرزهای دانه و سایر خوشه‌های اتمی با اندازه متغیر

چکیده

Obtaining microscopic structure-property relationships for grain boundaries are challenging because of the complex atomic structures that underlie their behavior. This has led to recent efforts to obtain these relationships with machine learning, but representing a grain boundary structure in a manner suitable for machine learning is not a trivial task. There are three key steps common to property prediction in grain boundaries and other variable-sized atom clustered structures. These are: (1) describe the atomic structure as a feature matrix, (2) transform the variable-sized feature matrices of different structures to a fixed length common to all structures, and (3) apply machine learning to predict properties from the transformed feature matrices. We examine these feature engineering steps to understand how they impact the accuracy of grain boundary energy predictions. A database of over 7000 grain boundaries serves to evaluate the different feature engineering combinations. We also examine how these combination of engineered features provide interpretability, or the ability to extract insightful physics from the obtained structure-property relationships.

چکیده به فارسی (ترجمه ماشینی)

به دست آوردن روابط ساختار میکروسکوپی برای مرزهای دانه به دلیل ساختارهای پیچیده اتمی که زیربنای رفتار آنهاست ، چالش برانگیز است.این امر منجر به تلاش های اخیر برای به دست آوردن این روابط با یادگیری ماشین شده است ، اما نشان دادن یک ساختار مرزی دانه به روشی مناسب برای یادگیری ماشین ، یک کار بی اهمیت نیست.سه مرحله اصلی برای پیش بینی خاصیت در مرزهای دانه و سایر سازه های خوشه ای اتم متغیر وجود دارد.اینها عبارتند از: (1) ساختار اتمی را به عنوان یک ماتریس ویژگی توصیف کنید ، (2) ماتریس ویژگی های اندازه متغیر ساختارهای مختلف را به یک طول ثابت تبدیل کنید و (3) یادگیری ماشین را برای پیش بینی خواص از تبدیل شده اعمال کنید.ماتریس های ویژگی.ما این مراحل مهندسی ویژگی را برای درک چگونگی تأثیر آنها بر صحت پیش بینی انرژی مرزی دانه بررسی می کنیم.یک بانک اطلاعاتی از بیش از 7000 مرز دانه برای ارزیابی ترکیبات مهندسی ویژگی های مختلف است.ما همچنین بررسی می کنیم که چگونه این ترکیب از ویژگی های مهندسی ، تفسیر را فراهم می کند ، یا توانایی استخراج فیزیک روشنگری از روابط ساختار-ساختار به دست آمده.