প্রকল্প সম্পর্কে

# এফসিসি এমপিইএ-তে হল–পেটচ শক্তিশালীকরণের জন্য ফিজিক্স-ইনফর্মড এমএল এই রিপোজিটরি *Acta Materialia*-তে প্রকাশিত M. Mulukutla, S. P. Padhy, প্রমুখের লেখা "Revisiting Hall–Petch strengthening in FCC multi-principal element alloys: what grain size, composition, and processing can and cannot explain" শীর্ষক পাণ্ডুলিপির সহযোগী উপাদান হিসেবে কাজ করে। এতে সম্পূর্ণ ডেটাসেট, পূর্ণ বিশ্লেষণ পাইপলাইন, 논문-এ উপস্থাপিত প্রতিটি ফলাফল সারণি ও চিত্র, LaTeX সোর্স, লাইভ ফলাফল থেকে পুনরুৎপাদিত একটি বিস্তৃত প্রতিবেদন, এবং পাণ্ডুলিপির প্রামাণ্য মানগুলি লক করে রাখা রিগ্রেশন টেস্ট রয়েছে। ## প্রশ্নটি মেশিন-লার্নিং সম্পত্তি মডেলগুলি অ্যালয় ডিজাইনে বিভ্রান্তি সৃষ্টি করতে পারে যখন ইন্টারপোলেশনকে ট্রান্সফার হিসেবে ভুল বোঝা হয়, অথবা যখন পরিমাপকৃত ইনপুটের বাইরে অতিরিক্ত তথ্য যোগ করে তা না দেখিয়েই একটি ভৌত-অনুপ্রেরিত বর্ণনাকারীকে প্রক্রিয়া হিসেবে পড়া হয়। এই রিপোজিটরি Al–Co–Cr–Cu–Fe–Mn–Ni–V সিস্টেমে 94টি এফসিসি অ্যালয় অবস্থার ইল্ড স্ট্রেংথ (YS) এবং ভিকার্স হার্ডনেস (HV)-এর উপর সেই সমস্যাটি শুরু থেকে শেষ পর্যন্ত সমাধান করে। ## পাঁচটি মডেল পরিবার বিশ্লেষণগুলি পাণ্ডুলিপির পাঁচটি পরিবার অনুসারে সংগঠিত। উচ্চতর পরিবার সংখ্যা মানে বেশি নমনীয়তা, বেশি ভৌত বিশ্বস্ততা নয়। - **পরিবার ১**: চিরাচরিত হল–পেটচ (চিরাচরিত এবং বিকল্প দানা-আকার সূত্র) - **পরিবার ২**: ফিজিক্স বর্ণনাকারী (VLC, Labusch, Toda-Caraballo; Wen; PCA-OLS) - **পরিবার ৩**: সংমিশ্রণ / প্রক্রিয়াকরণ (M-মডেল অনুক্রম, M15 সহ) - **পরিবার ৪**: অ-রৈখিক এমএল (মিলিত রৈখিক ও অ-রৈখিক অনুমানক) - **পরিবার ৫**: সিম্বলিক রিগ্রেশন (PySR, SISSO, নির্দিষ্ট বদ্ধ রূপ) বৈধতা প্রোটোকলে 5-fold, LOO, LOBO, সাহিত্য এবং সিঙ্গুলারিটি পরীক্ষা অন্তর্ভুক্ত। ## প্রধান ফলাফল সমস্ত মান পুলড আউট-অফ-ফোল্ড Q², পরীক্ষার সময় `data/derived/data_with_vlc.csv` থেকে পুনঃগণনা করা হয়। | লক্ষ্য | মডেল | 5-fold | LOO | LOBO | |---|---|---|---|---| | YS | পরিবার ১ চিরাচরিত হল–পেটচ | 0.405 | 0.406 | 0.373 | | YS | পরিবার ২ PCA-OLS (ফোল্ড-সীমাবদ্ধ) | 0.462 | 0.480 | 0.362 | | YS | পরিবার ৩ M3 (সংমিশ্রণ-নির্ভর σ₀) | 0.666 | 0.652 | 0.625 | | YS | **পরিবার ৩ M15 (+ SD_grain মিথস্ক্রিয়া)** | **0.731** | **0.694** | **0.694** | | YS | পরিবার ৪ Lasso S2 (নির্দিষ্ট সেটিংস) | 0.683 | 0.674 | 0.621 | | YS | পরিবার ৪ LightGBM S2 (নির্দিষ্ট সেটিংস) | 0.632 | 0.574 | 0.615 | | YS | পরিবার ৪ Bayesian ridge S2 (নেস্টেড ARMOTE-CV) | 0.685 | 0.666 | 0.613 | | HV | পরিবার ১ চিরাচরিত হল–পেটচ | 0.086 | 0.136 | −0.077 | | HV | পরিবার ৪ LightGBM S1 | 0.195 | 0.323 | 0.112 | | HV | পরিবার ৫ নির্দিষ্ট রূপ (পোস্ট-সিলেক্টেড) | 0.725 | 0.727 | 0.636 | তিনটি অনুসন্ধান মূল কাজ করে: - **দানা-বিতরণের প্রস্থ কেবল একটি নির্দিষ্ট রূপে সহায়ক।** M3-তে SD_grain স্বাধীন সংযোজনীয় পদ হিসেবে যোগ করলে LOO 0.668-এ বাড়ে কিন্তু LOBO 0.595-এ নামে। পরিবর্তে এটি হল–পেটচ পদকে পরিবর্তন করতে দিলে (M15) উভয় ক্ষেত্রেই 0.694 দেয়, M3-এর বিপরীতে ΔBIC = −20.1। সংযোজনীয় নিয়ন্ত্রণই সেই পার্থক্য দৃশ্যমান করে। - **মিলিত ইনপুটে অ-রৈখিকতা কিছুই দেয় না।** Lasso এবং LightGBM ব্যাচ-হোল্ড-আউট বৈধতায় 0.621 এবং 0.615-এ পৌঁছায়, ওভারল্যাপিং বুটস্ট্র্যাপ ব্যবধানে। - **সাহিত্যে কিছুই স্থানান্তরিত হয় না।** মূল্যায়িত প্রতিটি বদ্ধ রূপের সরাসরি-পরিমাপ সাহিত্য রেকর্ডে ঋণাত্মক R² আছে, তাই সেই সেটটি বাহ্যিক বেঞ্চমার্ক হিসেবে নয় বরং স্ট্রেস টেস্ট হিসেবে প্রতিবেদিত। ## বিন্যাস ``` data/raw/ Grain_Size_Summary_v3.xlsx — একমাত্র প্রকৃত ইনপুট data/derived/ গণনা করা বর্ণনাকারী, `make data` দ্বারা পুনরুৎপাদিত scripts/ _config.py শেয়ার্ড পাথ; প্রতিটি পরিবার ফোল্ডার আমদানযোগ্য করে _figstyle.py প্রতিটি চিত্রের জন্য একটি প্যালেট ও একটি টাইপ স্কেল 00_data_preparation/ বর্ণনাকারী, VLC পরিমাণ, ফিচার ল্যাডার 01_family1_grain_size/ স্কেলিং সূত্র, রেপ্লিকেট-অভ্যন্তরীণ ঢাল 02_family2_physics_descriptors/ SSS বেঞ্চমার্ক, রিডান্ডেন্সি অডিট, PCA-OLS 03_family3_composition_processing/ M-মডেল অনুক্রম, SD_grain মডেল 04_family4_nonlinear_ml/ টিউনড প্যানেল, মিলিত-ইনপুট তুলনা 05_family5_symbolic_regression/ PySR গ্রিড, SISSO ভ্যারিয়েন্ট 06_validation/ গ্রুপড CV, সাহিত্য পরীক্ষা, সিঙ্গুলারিটি অডিট 07_hardness_tabor/ Tabor অনুপাত ও HV–YS র‍্যাঙ্ক বিশ্লেষণ figures/ প্রতিটি প্রকাশনা চিত্র results/ CSV আউটপুট; প্রতিটি একটি নামকৃত স্ক্রিপ্ট দ্বারা উৎপাদিত analysis_plots/ অন্বেষণমূলক ও ডায়াগনস্টিক চিত্র paper/ main.tex, supplementary.tex, references.bib, figures/ report/ generate_report.py + Comprehensive_Analysis_Report.docx notebook/ জেনারেটর + উৎপাদিত .ipynb docs/ reproducing.md, validation_protocol.md tests/ প্রামাণ্য মান লক করা রিগ্রেশন টেস্ট ``` ## দ্রুত শুরু ```bash pip install -r requirements.txt make test # ~১ সেকেন্ড — প্রতিটি প্রধান মান পুনঃগণনা ও যাচাই করে make figures # ক্যাশ করা ফলাফল থেকে সমস্ত প্রকাশনা চিত্র পুনরুৎপাদন make report # লাইভ ফলাফল থেকে Word প্রতিবেদন পুনর্নির্মাণ make paper # main.pdf ও supplementary.pdf নির্মাণ make help # প্রতিটি টার্গেট ``` সম্পূর্ণ পর্যায় ক্রম ও সময়: `docs/reproducing.md`। ## পুনরুৎপাদনযোগ্যতা `make test` M-মডেল অনুক্রম, পরিবার ১ বেসলাইন, Tabor অনুপাত এবং ডেটাসেট অডিট **কাঁচা ডেরাইভড ডেটা থেকে** পুনঃগণনা করে এবং পাণ্ডুলিপিতে মুদ্রিত মানের বিপরীতে দাবি করে। এটি আরও যাচাই করে যে প্রতিটি চিত্র ও সারণি পাঠ্যে ক্রস-রেফারেন্স করা হয়েছে এবং অন্তর্ভুক্ত প্রতিটি চিত্র ফাইল বিদ্যমান। কোনো বিশ্লেষণ পরিবর্তিত হলে, পাণ্ডুলিপি বিচ্যুত হওয়ার আগেই টেস্ট ব্যর্থ হয়। **নেস্টেড ARMOTE-CV প্যানেল** পুনঃচালনার বদলে যাচাই করা হয়। এর জেনারেটর প্রতি ফোল্ডে একটি Optuna স্টাডি, একটি নির্বাচিত প্যারামিটার সেট, এবং ফিচার ও টার্গেট স্কেলারের একটি জোড়া সংরক্ষণ করে। ছয়টি LOBO ফোল্ড জুড়ে পাঁচটি টিউনড Bayesian-ridge হাইপারপ্যারামিটার ছয়টি স্বতন্ত্র মান নেয়, এবং প্রতিটি স্কেলার কেবল তার প্রশিক্ষণ বিভাজনে ফিট করা হয়। সেই অবজেক্টগুলি পুনঃলোড করে প্রতিটি হোল্ড-আউট ব্যাচ পূর্বাভাস দিলে ছয়টি ফোল্ড স্কোরই সঠিকভাবে পুনরুৎপাদিত হয় এবং পুলড LOBO Q² 0.613 (RMSE 50.5 MPa) দেয়। তাই নেস্টিং দাবি নয়, প্রদর্শিত। সেই আর্টিফ্যাক্টগুলি রিপোজিটরির সাথে শিপ করা হয়, `scripts/04_family4_nonlinear_ml/armote_cv/`-এর অধীনে — কী রাখা হয়েছে এবং কী আপস্ট্রিমে ছেড়ে দেওয়া হয়েছে তা জানতে সেখানে README দেখুন। দুটি বিশ্লেষণ **আর্কাইভাল** এবং এখানে, পাণ্ডুলিপিতে, বা `make` দ্বারা পুনরুৎপাদিত হয় না: | আর্কাইভাল ফলাফল | কেন | |---|---| | Bayesian PSIS-LOO স্ট্যাকিং ওজন | PyMC পোস্টেরিয়র ড্র সংরক্ষণ করা হয়নি | | আউটার-লুপ PySR পারফরম্যান্স | সম্পূর্ণ-ডেটা ফ্রন্টে সমীকরণ নির্বাচিত | পাণ্ডুলিপি এগুলিকে আর্কাইভাল হিসেবে প্রতিবেদন করে, এবং সংশ্লিষ্ট ফ্রিকোয়েন্টিস্ট পরিমাণগুলি যা *পুনঃগণনা করা যায়* (M15-এর OLS সহগ, তথ্য মানদণ্ড এবং গ্রুপড-CV স্কোর) `make sdgrain` দ্বারা পুনরুৎপাদিত হয়। ## চিত্র প্রতিটি চিত্র `scripts/_figstyle.py` আমদানি করে, তাই পুরো নথি একটি Okabe–Ito প্যালেট ও একটি টাইপ স্কেল ব্যবহার করে। রঙ কখনোই একমাত্র চ্যানেল নয়: ব্যাচগুলি স্বতন্ত্র মার্কার আকৃতি বহন করে, মডেল পরিবারগুলি অবস্থান দ্বারা পৃথক, এবং চিহ্নিত পরিমাণগুলি তাদের মান মুদ্রণ করে। চিত্রগুলি তাদের চূড়ান্ত মুদ্রিত প্রস্থে আঁকা হয় যাতে স্ক্রিপ্টে একটি পয়েন্ট সাইজ পৃষ্ঠায় একই পয়েন্ট সাইজ হয়। প্যালেটটি সিমুলেটেড ডিউটেরানোপিয়া, প্রোটানোপিয়া এবং ট্রাইটানোপিয়ার অধীনে যাচাই করা হয়েছিল। ## উদ্ধৃতি `CITATION.cff` দেখুন। Zenodo-র আর্কাইভাল মেটাডেটা `.zenodo.json`-এ আছে। ## লাইসেন্স MIT — `LICENSE` দেখুন। কাঁচা পরীক্ষামূলক ডেটাসেট এবং সাহিত্য সংকলন অন্তর্ভুক্ত; উদ্ধৃত-সাহিত্য PDF পুনর্বিতরণ করা হয় না। ## স্বীকৃতি Cooperative Agreement W911NF-22-2-0106-এর অধীনে Army Research Laboratory দ্বারা স্পনসরকৃত।