MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017164200
■00520250211152922
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383701102
■035    ▼a(MiAaPQ)AAI31558299
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSchultz,  Lane  E.
■24510▼aMachine  Learning  in  Material  Property  Prediction.
■260    ▼a[S.l.]▼bThe  University  of  Wisconsin  -  Madison.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a231  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Morgan,  Dane.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aThis  thesis  explores  the  application  of  machine  learning  techniques  to  predict  properties  of  metallic  glasses  and  assesses  the  applicability  domain  of  machine  learning  models.  The  work  is  primarily  based  on  three  papers  focusing  on  predicting  glass  forming  ability  through  experimental  data,  molecular  dynamics  simulations,  and  other  computational  methods.  A  fourth  paper  proposes  a  general  approach  for  determining  the  applicability  domain  of  machine  learning  models.Chapter  2  introduces  computational  and  machine  learning  approaches  to  predict  the  glass  forming  ability  of  metallic  alloys.  The  first  study  investigates  the  use  of  characteristic  temperatures  to  predict  critical  casting  diameters  using  various  machine  learning  models.  The  second  study  employs  molecular  dynamics  to  calculate  characteristic  temperatures  for  metal  alloys,  which  were  then  used  as  features  in  glass  forming  ability  models.  The  third  study  explores  the  prediction  of  critical  cooling  rates  using  a  combination  of  elemental  properties  and  simulated  features.  Simulated  features  utilize  machine-learned  interatomic  potentials.  This  work  demonstrates  the  potential  of  combining  machine  learning  with  physics-based  simulations  for  accelerating  the  discovery  of  metallic  glasses.Chapter  3  focuses  on  developing  a  general  approach  for  assessing  the  applicability  domain  of  machine  learning  models.  The  proposed  method  uses  kernel  density  estimation  to  measure  training  data  density  at  feature  values  for  inference  points.  Points  from  low-density  regions  have  large  dissimilarities  (i.e.,  the  features  come  from  differing  spaces),  while  those  from  high-density  regions  have  small  dissimilarities.  High  dissimilarity  measures  are  associated  with  poor  model  performance  and  unreliable  uncertainty  estimation.In  summary,  this  thesis  makes  two  significant  contributions:  first,  it  enhances  the  understanding  and  creation  of  metallic  glass  forming  ability  models  through  computational  techniques;  second,  it  addresses  the  challenge  of  determining  the  applicability  domains  of  models.  The  findings  highlight  the  potential  of  machine  learning  in  guiding  the  discovery  of  new  metallic  glasses  while  emphasizing  the  need  for  careful  consideration  of  model  limitations.
■590    ▼aSchool  code:  0262.
■650  4▼aComputer  science.
■650  4▼aMaterials  science.
■653    ▼aDomain
■653    ▼aMachine  learning
■653    ▼aMetallic  glasses
■653    ▼aMolecular  dynamics
■653    ▼aMetal  alloys
■690    ▼a0794
■690    ▼a0984
■690    ▼a0800
■71020▼aThe  University  of  Wisconsin  -  Madison▼bMaterials  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164200▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서