A deep learning approach for fast, accurate predictions of material properties for solid solution alloy

Material science is an interdisciplinary field that combines engineering, chemistry and physics to solve real-world problems present in various engineering disciplines. Mainly, the discovery of new materials is essential because it has applications in most fields related to technology advancement. The work presented in this thesis applies graph convolutional neural networks to a material science problem of predicting specific material properties based on the material structure. These properties were, up until now, calculated with specialized methods that required a large amount of computational power and time. Therefore, GCNN could considerably improve that process by predicting the properties instantly without using large amounts of computational power. Graph convolutional neural networks utilize the fact that a lot of real-world data can be represented as graphs. With the graphs used as the input, graph convolutional neural networks can then embed and learn hidden interactions between graph nodes and predict or classify the structure as well as the nodes and their properties. The atoms placed within the structure interact with each other through physical forces on the quantum scale. With that in mind, GCNN architecture can use these interactions and model them as internode connections in the graph. By doing so, GCNN becomes a powerful tool that we can use to predict material properties.

La scienza dei materiali è un campo interdisciplinare che combina ingegneria, chimica e fisica per risolvere problemi del mondo reale presenti in varie discipline ingegneristiche. Principalmente, la scoperta di nuovi materiali è essenziale perché ha applicazioni nella maggior parte dei campi legati al progresso tecnologico. Il lavoro presentato in questa tesi applica reti neurali convoluzionali a grafo a un problema di scienza dei materiali di prevedere proprietà specifiche del materiale in base alla struttura del materiale. Queste proprietà erano, fino ad ora, calcolate con metodi specializzati che richiedevano una grande quantità di potenza e tempo di calcolo. Pertanto, GCNN potrebbe migliorare notevolmente tale processo prevedendo le proprietà istantaneamente senza utilizzare grandi quantità di potenza di calcolo. Le reti neurali convoluzionali del grafico utilizzano il fatto che molti dati del mondo reale possono essere rappresentati come grafici. Con i grafici utilizzati come input, le reti neurali convoluzionali del grafico possono quindi incorporare e apprendere le interazioni nascoste tra i nodi del grafico e prevedere o classificare la struttura, i nodi e le loro proprietà. Gli atomi posti all'interno della struttura interagiscono tra loro tramite forze fisiche su scala quantistica. Con questo in mente, l'architettura GCNN può utilizzare queste interazioni e modellarle come connessioni internodo nel grafico. In questo modo, GCNN diventa un potente strumento che possiamo utilizzare per prevedere le proprietà dei materiali.