Convolutional neural network based methodology for flexible phase prediction of high entropy alloys

The advent of high entropy alloys has created a design space that is unfeasible to explore solely through experimentation, thus necessitating the use of computational methods, such as artificial neural networks. This study proposes a new architecture utilizing a convolutional layer to extract relevant elemental features from the alloy composition without limiting the model to specific elements by treating the elemental composition of the high entropy alloy in a similar manner to a row of pixels, using relevant elemental properties in lieu of color values. This convolutional model was able to predict the crystal structure of solid solutions in a high entropy alloy composition with an accuracy of 89.3% in a six-way classification and the formation of intermetallics with an accuracy of 91.4% during holdout validation, while being capable of accurately predicting the primary crystal structure of high entropy alloys containing elements the model was not trained on. Significant space still exists for further experimentation and improvement with this methodology, including augmenting the available datasets and implementation of additional convolutional layers. Due to the limited interpretability of the model architecture, care should be taken when inferring trends from the model prior to validation through experimental, or well-established computational methods. L'av & egrave;nement des alliages & agrave; haute entropie a cr & eacute;& eacute; un vaste espace de conception qu'il n'est plus possible d'explorer uniquement par exp & eacute;rimentation, n & eacute;cessitant ainsi l'utilisation de m & eacute;thodes informatiques, telles que les r & eacute;seaux neuronaux artificiels. Tandis que l'utilisation de r & eacute;seaux neuronaux pour la pr & eacute;diction de phase d'alliages & agrave; haute entropie n'est pas nouvelle, la plupart de ces mod & egrave;les existants sont soit restreints & agrave; des ensembles d'& eacute;l & eacute;ments sp & eacute;cifiques ou bien ignorent la composition & eacute;l & eacute;mentaire sp & eacute;cifique de l'alliage. Cette & eacute;tude propose une nouvelle architecture de mod & egrave;le utilisant une couche convolutive pour extraire les caract & eacute;ristiques & eacute;l & eacute;mentaires pertinentes de la composition de l'alliage sans limiter le mod & egrave;le & agrave; des & eacute;l & eacute;ments sp & eacute;cifiques. Ceci est r & eacute;alis & eacute; en traitant la composition & eacute;l & eacute;mentaire de l'alliage & agrave; haute entropie de mani & egrave;re similaire & agrave; une rang & eacute;e de pixels, en utilisant les propri & eacute;t & eacute;s & eacute;l & eacute;mentaires pertinentes, & agrave; savoir le rayon atomique, l'& eacute;lectron & eacute;gativit & eacute; et la valence au lieu des valeurs de couleur rouge, verte et bleue. Les r & eacute;sultats ont montr & eacute; que ce mod & egrave;le convolutif & eacute;tait capable de pr & eacute;dire la structure du cristal des solutions solides r & eacute;sultantes dans une composition d'alliage & agrave; haute entropie avec une pr & eacute;cision de 89.3 % dans un classement & agrave; six voies et de pr & eacute;dire la formation de compos & eacute;s interm & eacute;talliques avec une pr & eacute;cision de 91.4% dans une validation sans r & eacute;sistance, tout en & eacute;tant capable de pr & eacute;dire avec pr & eacute;cision la structure cristalline primaire des compositions d'alliage & agrave; haute entropie contenant des & eacute;l & eacute;ments sur lesquels le mod & egrave;le n'a pas & eacute;t & eacute; form & eacute;. Il existe encore un espace important pour davantage d'exp & eacute;rimentations et ainsi d'am & eacute;liorations de cette m & eacute;thodologie, incluant l'augmentation des ensembles de donn & eacute;es disponibles et la mise en place de couches convolutives suppl & eacute;mentaires. En raison de la possibilit & eacute; d'interpr & eacute;tation limit & eacute;e de l'architecture du mod & egrave;le, on devrait mentionner de prendre des pr & eacute;cautions lorsqu'on inf & egrave;re des tendances & agrave; partir des pr & eacute;dictions du mod & egrave;le avant une validation suppl & eacute;mentaire par des m & eacute;thodes exp & eacute;rimentales ou informatiques mieux & eacute;tablies.