基于深度卷积神经网络的α-Fe晶界能预测

本文提出了一种预测晶界能以研究α-Fe晶界性质的深度学习方法.在分子动力学生成的α-Fe对称倾斜晶界的基础上,通过中心对称参数和原子密度信息构造出晶界特征—积累中心对称参数,提出了数据增强和按倾斜角分层抽样的方法,建立了预测晶界能的卷积神经网络模型.测试集结果表明,预测晶界能的平均相对误差小于1.75%,平均每个晶界的预测用时在0.002 s以内.该方法在一定范围内具有较高的准确性和鲁棒性,提供了研究晶界的微观结构特征与宏观性能之间关联的途径.