इस प्रोजेक्ट के बारे में

# एफसीसी एमपीईए में हॉल–पेच सुदृढ़ीकरण के लिए भौतिकी-सूचित एमएल यह रिपॉजिटरी *Acta Materialia* पांडुलिपि "Revisiting Hall–Petch strengthening in FCC multi-principal element alloys: what grain size, composition, and processing can and cannot explain" (लेखक: M. Mulukutla, S. P. Padhy, आदि) के लिए सहयोगी सामग्री के रूप में कार्य करती है। इसमें पूरा डेटासेट, संपूर्ण विश्लेषण पाइपलाइन, पेपर में प्रस्तुत प्रत्येक परिणाम तालिका और चित्र, LaTeX स्रोत, लाइव परिणामों से पुन: उत्पन्न एक व्यापक रिपोर्ट, और रिग्रेशन परीक्षण शामिल हैं जो पांडुलिपि के विहित मानों को लॉक करते हैं। ## प्रश्न मशीन-लर्निंग प्रॉपर्टी मॉडल मिश्र धातु डिज़ाइन को भ्रमित कर सकते हैं जब इंटरपोलेशन को ट्रांसफर समझ लिया जाए, या जब भौतिक रूप से प्रेरित डिस्क्रिप्टर को एक तंत्र के रूप में पढ़ा जाए, बिना यह दिखाए कि यह मापे गए इनपुट से परे जानकारी जोड़ता है। यह रिपॉजिटरी Al–Co–Cr–Cu–Fe–Mn–Ni–V प्रणाली में 94 एफसीसी मिश्र धातु स्थितियों की यील्ड स्ट्रेंथ (YS) और विकर्स हार्डनेस (HV) पर इस समस्या को शुरू से अंत तक हल करती है। ## पाँच मॉडल परिवार विश्लेषण पांडुलिपि के पाँच परिवारों द्वारा व्यवस्थित किए गए हैं। उच्च परिवार संख्या का अर्थ अधिक लचीलापन है, अधिक भौतिक निष्ठा नहीं। - **परिवार 1**: शास्त्रीय हॉल–पेच (शास्त्रीय और वैकल्पिक ग्रेन-साइज़ नियम) - **परिवार 2**: भौतिकी डिस्क्रिप्टर (VLC, Labusch, Toda-Caraballo; Wen; PCA-OLS) - **परिवार 3**: संरचना / प्रसंस्करण (M-मॉडल पदानुक्रम, M15 सहित) - **परिवार 4**: अरैखिक एमएल (मिलान किए गए रैखिक और अरैखिक अनुमानक) - **परिवार 5**: प्रतीकात्मक रिग्रेशन (PySR, SISSO, निश्चित बंद रूप) सत्यापन प्रोटोकॉल में 5-fold, LOO, LOBO, साहित्य, और विलक्षणता जाँचें शामिल हैं। ## मुख्य परिणाम सभी मान पूल्ड आउट-ऑफ-फोल्ड Q² हैं, जो परीक्षण समय पर `data/derived/data_with_vlc.csv` से पुनर्गणित किए जाते हैं। | लक्ष्य | मॉडल | 5-fold | LOO | LOBO | |---|---|---|---|---| | YS | परिवार 1 शास्त्रीय हॉल–पेच | 0.405 | 0.406 | 0.373 | | YS | परिवार 2 PCA-OLS (fold-contained) | 0.462 | 0.480 | 0.362 | | YS | परिवार 3 M3 (संरचना-निर्भर σ₀) | 0.666 | 0.652 | 0.625 | | YS | **परिवार 3 M15 (+ SD_grain इंटरैक्शन)** | **0.731** | **0.694** | **0.694** | | YS | परिवार 4 Lasso S2 (निश्चित सेटिंग्स) | 0.683 | 0.674 | 0.621 | | YS | परिवार 4 LightGBM S2 (निश्चित सेटिंग्स) | 0.632 | 0.574 | 0.615 | | YS | परिवार 4 Bayesian ridge S2 (nested ARMOTE-CV) | 0.685 | 0.666 | 0.613 | | HV | परिवार 1 शास्त्रीय हॉल–पेच | 0.086 | 0.136 | −0.077 | | HV | परिवार 4 LightGBM S1 | 0.195 | 0.323 | 0.112 | | HV | परिवार 5 निश्चित रूप (post-selected) | 0.725 | 0.727 | 0.636 | तीन निष्कर्ष अधिकांश कार्य करते हैं: - **ग्रेन-डिस्ट्रीब्यूशन चौड़ाई केवल एक विशिष्ट रूप में मदद करती है।** M3 में SD_grain को एक स्वतंत्र योगात्मक पद के रूप में जोड़ने से LOO 0.668 तक बढ़ता है लेकिन LOBO घटकर 0.595 हो जाता है। इसके बजाय इसे हॉल–पेच पद को संशोधित करने देने पर (M15) दोनों पर 0.694 मिलता है, M3 के विरुद्ध ΔBIC = −20.1 के साथ। योगात्मक नियंत्रण ही उस अंतर को दृश्यमान बनाता है। - **मिलान किए गए इनपुट पर अरैखिकता कुछ नहीं देती।** Lasso और LightGBM बैच-होल्ड-आउट सत्यापन के तहत 0.621 और 0.615 तक पहुँचते हैं, ओवरलैपिंग बूटस्ट्रैप अंतरालों के साथ। - **साहित्य में कुछ भी स्थानांतरित नहीं होता।** प्रत्येक मूल्यांकित बंद रूप का प्रत्यक्ष-मापन साहित्य रिकॉर्ड पर ऋणात्मक R² है, इसलिए उस सेट को बाहरी बेंचमार्क के बजाय एक तनाव परीक्षण के रूप में रिपोर्ट किया गया है। ## लेआउट ``` data/raw/ Grain_Size_Summary_v3.xlsx — एकमात्र वास्तविक इनपुट data/derived/ परिकलित डिस्क्रिप्टर, `make data` द्वारा पुन: उत्पन्न scripts/ _config.py साझा पथ; प्रत्येक परिवार फ़ोल्डर को आयात-योग्य बनाता है _figstyle.py प्रत्येक चित्र के लिए एक पैलेट और एक टाइप स्केल 00_data_preparation/ डिस्क्रिप्टर, VLC मात्राएँ, फीचर लैडर 01_family1_grain_size/ स्केलिंग नियम, within-replicate ढलान 02_family2_physics_descriptors/ SSS बेंचमार्क, अतिरेक ऑडिट, PCA-OLS 03_family3_composition_processing/ M-मॉडल पदानुक्रम, SD_grain मॉडल 04_family4_nonlinear_ml/ ट्यून किया गया पैनल, मिलान-इनपुट तुलना 05_family5_symbolic_regression/ PySR ग्रिड, SISSO वेरिएंट 06_validation/ समूहीकृत CV, साहित्य परीक्षण, विलक्षणता ऑडिट 07_hardness_tabor/ Tabor अनुपात और HV–YS रैंक विश्लेषण figures/ प्रत्येक प्रकाशन चित्र results/ CSV आउटपुट; प्रत्येक एक नामित स्क्रिप्ट द्वारा उत्पन्न analysis_plots/ खोजपूर्ण और नैदानिक चित्र paper/ main.tex, supplementary.tex, references.bib, figures/ report/ generate_report.py + Comprehensive_Analysis_Report.docx notebook/ जनरेटर + उत्पन्न .ipynb docs/ reproducing.md, validation_protocol.md tests/ विहित मानों को लॉक करने वाले रिग्रेशन परीक्षण ``` ## त्वरित शुरुआत ```bash pip install -r requirements.txt make test # ~1 s — प्रत्येक मुख्य मान को पुनर्गणित और जाँचता है make figures # कैश्ड परिणामों से सभी प्रकाशन चित्र पुन: उत्पन्न करता है make report # लाइव परिणामों से Word रिपोर्ट पुनर्निर्मित करता है make paper # main.pdf और supplementary.pdf बनाता है make help # प्रत्येक लक्ष्य ``` पूर्ण चरण क्रम और समय: `docs/reproducing.md`। ## पुनरुत्पादकता `make test` M-मॉडल पदानुक्रम, परिवार 1 बेसलाइन, Tabor अनुपात और डेटासेट ऑडिट को **कच्चे व्युत्पन्न डेटा से** पुनर्गणित करता है और उन्हें पांडुलिपि में मुद्रित मानों के विरुद्ध जाँचता है। यह यह भी जाँचता है कि प्रत्येक चित्र और तालिका पाठ में क्रॉस-रेफरेंस की गई है और प्रत्येक शामिल चित्र फ़ाइल मौजूद है। यदि कोई विश्लेषण बदलता है, तो पांडुलिपि के विचलित होने से पहले परीक्षण विफल हो जाते हैं। **nested ARMOTE-CV पैनल** को फिर से चलाने के बजाय सत्यापित किया जाता है। इसका जनरेटर प्रति फोल्ड एक Optuna अध्ययन, एक चयनित पैरामीटर सेट, और फीचर और टार्गेट स्केलर की एक जोड़ी संग्रहीत करता है। छह LOBO फोल्डों में पाँच ट्यून किए गए Bayesian-ridge हाइपरपैरामीटर छह भिन्न मान लेते हैं, और प्रत्येक स्केलर केवल अपने प्रशिक्षण विभाजन पर फिट किया जाता है। उन ऑब्जेक्ट्स को पुनः लोड करना और प्रत्येक होल्ड-आउट बैच की भविष्यवाणी करना सभी छह फोल्ड स्कोर को बिल्कुल पुन: उत्पन्न करता है और 0.613 (RMSE 50.5 MPa) का पूल्ड LOBO Q² देता है। इसलिए नेस्टिंग प्रदर्शित की गई है, दावा नहीं किया गया। वे आर्टिफैक्ट्स रिपॉजिटरी के साथ भेजे जाते हैं, `scripts/04_family4_nonlinear_ml/armote_cv/` के अंतर्गत — क्या रखा गया और क्या अपस्ट्रीम छोड़ा गया, इसके लिए वहाँ का README देखें। दो विश्लेषण **अभिलेखीय** हैं और यहाँ, पांडुलिपि में, या `make` द्वारा पुन: उत्पन्न नहीं किए जाते: | अभिलेखीय परिणाम | कारण | |---|---| | Bayesian PSIS-LOO स्टैकिंग वेट | PyMC पोस्टीरियर ड्रॉ संरक्षित नहीं किए गए | | बाहरी-लूप PySR प्रदर्शन | समीकरण पूर्ण-डेटा फ्रंट पर चुने गए | पांडुलिपि इन्हें अभिलेखीय के रूप में रिपोर्ट करती है, और संबंधित फ्रीक्वेंटिस्ट मात्राएँ जो *पुनर्गणित की जा सकती हैं* (M15 के OLS गुणांक, सूचना मानदंड और समूहीकृत-CV स्कोर) `make sdgrain` द्वारा पुन: उत्पन्न की जाती हैं। ## चित्र प्रत्येक चित्र `scripts/_figstyle.py` आयात करता है, इसलिए पूरा दस्तावेज़ एक Okabe–Ito पैलेट और एक टाइप स्केल का उपयोग करता है। रंग कभी एकमात्र चैनल नहीं है: बैच अलग-अलग मार्कर आकार रखते हैं, मॉडल परिवार स्थिति से अलग होते हैं, और चिह्नित मात्राएँ अपना मान मुद्रित करती हैं। चित्र उनकी अंतिम मुद्रित चौड़ाई पर बनाए जाते हैं ताकि स्क्रिप्ट में एक पॉइंट आकार पृष्ठ पर वही पॉइंट आकार हो। पैलेट को सिम्युलेटेड deuteranopia, protanopia और tritanopia के तहत जाँचा गया था। ## उद्धरण `CITATION.cff` देखें। Zenodo के लिए अभिलेखीय मेटाडेटा `.zenodo.json` में है। ## लाइसेंस MIT — `LICENSE` देखें। कच्चा प्रायोगिक डेटासेट और साहित्य संकलन शामिल हैं; उद्धृत-साहित्य PDF पुनर्वितरित नहीं किए जाते। ## आभार Cooperative Agreement W911NF-22-2-0106 के तहत Army Research Laboratory द्वारा प्रायोजित।