Applications of Data Driven Methods in Computational Materials Design

Abstract

In today’s digitized world, large amounts of data are becoming available at rates never seen before. This holds true also for materials science where high-throughput simulations and experiments continuously produce new data. Data driven methods are required which can make best use of the information stored in large data repositories. In the present article, two of such data driven methods are presented. First, we apply machine learning to generalize and extend the results obtained from computationally intense density functional theory (DFT) simulations. We show how grain boundary segregation energies can be trained with gradient boosting regression and extended to many more positions in the grain boundary for a complete description. The second method relies on Bayesian inference, which can be used to calibrate models to give data and quantification of the model uncertainty. The method is applied to calibrate parameters in thermodynamic models of the Gibbs energy of Ti-W alloys. The uncertainty of the model parameters is quantified and propagated to the phase boundaries of the Ti-W system.Die zunehmenden Datenmengen, die in der modernen Materialwissenschaft mittels Simulationen und Experimenten generiert werden, erfordern die Anwendung und Entwicklung von datengetriebenen Methoden, um die enkodierten Informationen optimal zu nutzen. In diesem Artikel werden zwei solcher Methoden vorgestellt. Zunächst wenden wir maschinelles Lernen an, um die Ergebnisse aus rechenintensiven Dichtefunktionaltheoriesimulationen zu verallgemeinern und zu erweitern. Wir zeigen, wie die Segregationsenergien von metallischen Korngrenzen mit der sogenannten Gradient-Boosting-Regression trainiert und auf viele weitere Positionen ausgedehnt werden können, um eine vollständige Beschreibung zu erhalten. Die zweite Methode beruht auf der Bayes’schen Inferenz, die zur Kalibrierung von Modellen verwendet werden kann, um Daten und eine Quantifizierung von Modellunsicherheiten zu erhalten. Die Methode wird hier zur Kalibrierung von Parametern in thermodynamischen Modellen der Gibbs-Energie von Ti-W-Legierungen angewendet. Es wird gezeigt, wie die Unsicherheit der Modellparameter quantifiziert werden kann und wie sich diese auf die Vorhersage der Phasengrenzen des Ti-W-Systems überträgt.