منصوبے کے بارے میں

# ایف سی سی ایم پی ای اے میں ہال–پیچ مضبوطی کے لیے فزکس سے متاثر مشین لرننگ یہ ریپوزٹری *Acta Materialia* کے مخطوطے "Revisiting Hall–Petch strengthening in FCC multi-principal element alloys: what grain size, composition, and processing can and cannot explain" از M. Mulukutla، S. P. Padhy، وغیرہ کے لیے ساتھی مواد کے طور پر کام کرتی ہے۔ اس میں مکمل ڈیٹاسیٹ، مکمل تجزیہ پائپ لائن، مقالے میں پیش کردہ ہر نتیجے کی جدول اور شکل، LaTeX ماخذ، براہ راست نتائج سے دوبارہ تیار کردہ جامع رپورٹ، اور ریگریشن ٹیسٹ شامل ہیں جو مخطوطے کی مستند اقدار کو محفوظ رکھتے ہیں۔ ## سوال مشین لرننگ پراپرٹی ماڈلز الائے ڈیزائن کو گمراہ کر سکتے ہیں جب انٹرپولیشن کو ٹرانسفر سمجھ لیا جائے، یا جب فزکس سے متاثر ڈسکرپٹر کو میکانزم کے طور پر پڑھا جائے بغیر یہ دکھائے کہ یہ ماپے گئے ان پٹس سے آگے معلومات شامل کرتا ہے۔ یہ ریپوزٹری اس مسئلے پر Al–Co–Cr–Cu–Fe–Mn–Ni–V نظام میں 94 ایف سی سی الائے کنڈیشنز کی ییلڈ اسٹرینتھ (YS) اور وکرز ہارڈنیس (HV) پر مکمل کام کرتی ہے۔ ## پانچ ماڈل فیملیز تجزیات مخطوطے کی پانچ فیملیز کے مطابق منظم ہیں۔ زیادہ فیملی نمبر کا مطلب زیادہ لچک ہے، نہ کہ زیادہ فزیکل وفاداری۔ - **فیملی 1**: کلاسیکی ہال–پیچ (کلاسیکی اور متبادل گرین-سائز قوانین) - **فیملی 2**: فزکس ڈسکرپٹرز (VLC، Labusch، Toda-Caraballo؛ Wen؛ PCA-OLS) - **فیملی 3**: کمپوزیشن / پروسیسنگ (M-ماڈل درجہ بندی، بشمول M15) - **فیملی 4**: غیر خطی ML (میچڈ لکیری اور غیر خطی تخمینہ کار) - **فیملی 5**: سمبولک ریگریشن (PySR، SISSO، مقررہ بند شکلیں) توثیقی پروٹوکول میں 5-فولڈ، LOO، LOBO، لٹریچر، اور سنگولیرٹی چیکس شامل ہیں۔ ## نمایاں نتائج تمام اقدار پولڈ آؤٹ-آف-فولڈ Q² ہیں، جو ٹیسٹ کے وقت `data/derived/data_with_vlc.csv` سے دوبارہ شمار کی جاتی ہیں۔ | ہدف | ماڈل | 5-فولڈ | LOO | LOBO | |---|---|---|---|---| | YS | فیملی 1 کلاسیکی ہال–پیچ | 0.405 | 0.406 | 0.373 | | YS | فیملی 2 PCA-OLS (فولڈ-کنٹینڈ) | 0.462 | 0.480 | 0.362 | | YS | فیملی 3 M3 (کمپوزیشن پر منحصر σ₀) | 0.666 | 0.652 | 0.625 | | YS | **فیملی 3 M15 (+ SD_grain تعامل)** | **0.731** | **0.694** | **0.694** | | YS | فیملی 4 Lasso S2 (مقررہ سیٹنگز) | 0.683 | 0.674 | 0.621 | | YS | فیملی 4 LightGBM S2 (مقررہ سیٹنگز) | 0.632 | 0.574 | 0.615 | | YS | فیملی 4 Bayesian ridge S2 (نیسٹڈ ARMOTE-CV) | 0.685 | 0.666 | 0.613 | | HV | فیملی 1 کلاسیکی ہال–پیچ | 0.086 | 0.136 | −0.077 | | HV | فیملی 4 LightGBM S1 | 0.195 | 0.323 | 0.112 | | HV | فیملی 5 مقررہ شکل (پوسٹ-سیلیکٹڈ) | 0.725 | 0.727 | 0.636 | تین نتائج زیادہ تر کام کرتے ہیں: - **گرین-ڈسٹری بیوشن چوڑائی صرف ایک مخصوص شکل میں مدد کرتی ہے۔** M3 میں SD_grain کو ایک آزاد اضافی اصطلاح کے طور پر شامل کرنے سے LOO 0.668 ہو جاتا ہے لیکن LOBO 0.595 پر گر جاتا ہے۔ اسے ہال–پیچ اصطلاح میں ترمیم کرنے دینے سے (M15) دونوں میں 0.694 ملتا ہے، M3 کے مقابلے ΔBIC = −20.1 کے ساتھ۔ اضافی کنٹرول ہی اس فرق کو نمایاں کرتا ہے۔ - **میچڈ ان پٹس پر غیر خطیت کچھ نہیں دیتی۔** Lasso اور LightGBM بیچ-ہولڈ-آؤٹ توثیق کے تحت 0.621 اور 0.615 تک پہنچتے ہیں، اوورلیپنگ بوٹ اسٹریپ وقفوں کے ساتھ۔ - **لٹریچر میں کچھ بھی منتقل نہیں ہوتا۔** ہر جانچی گئی بند شکل کا براہ راست پیمائش لٹریچر ریکارڈز پر منفی R² ہے، لہذا اس سیٹ کو بیرونی بینچ مارک کے بجائے اسٹریس ٹیسٹ کے طور پر رپورٹ کیا گیا ہے۔ ## ترتیب ``` data/raw/ Grain_Size_Summary_v3.xlsx — واحد حقیقی ان پٹ data/derived/ شمار شدہ ڈسکرپٹرز، `make data` سے دوبارہ تیار data/derived/ شمار شدہ ڈسکرپٹرز، `make data` سے دوبارہ تیار scripts/ _config.py مشترکہ راستے؛ ہر فیملی فولڈر کو امپورٹ ایبل بناتا ہے _figstyle.py ہر شکل کے لیے ایک پیلیٹ اور ایک ٹائپ اسکیل 00_data_preparation/ ڈسکرپٹرز، VLC مقداریں، فیچر لیڈر 01_family1_grain_size/ اسکیلنگ قوانین، ریپلیکیٹ کے اندر ڈھلوانیں 02_family2_physics_descriptors/ SSS بینچ مارک، ریڈنڈنسی آڈٹ، PCA-OLS 03_family3_composition_processing/ M-ماڈل درجہ بندی، SD_grain ماڈلز 04_family4_nonlinear_ml/ ٹیونڈ پینل، میچڈ-ان پٹ موازنہ 05_family5_symbolic_regression/ PySR گرڈ، SISSO اقسام 06_validation/ گروپڈ CV، لٹریچر ٹیسٹ، سنگولیرٹی آڈٹ 07_hardness_tabor/ Tabor تناسب اور HV–YS رینک تجزیہ figures/ ہر اشاعتی شکل results/ CSV آؤٹ پٹس؛ ہر ایک نامزد اسکرپٹ سے تیار ہوتا ہے analysis_plots/ ایکسپلوریٹری اور تشخیصی شکلیں paper/ main.tex، supplementary.tex، references.bib، figures/ report/ generate_report.py + Comprehensive_Analysis_Report.docx notebook/ جنریٹر + تیار کردہ .ipynb docs/ reproducing.md، validation_protocol.md tests/ ریگریشن ٹیسٹ جو مستند اقدار کو محفوظ رکھتے ہیں ``` ## فوری آغاز ```bash pip install -r requirements.txt make test # ~1 s — ہر نمایاں قدر دوبارہ شمار اور چیک کرتا ہے make figures # کیش شدہ نتائج سے تمام اشاعتی شکلیں دوبارہ تیار make report # براہ راست نتائج سے ورڈ رپورٹ دوبارہ بنائیں make paper # main.pdf اور supplementary.pdf بنائیں make help # ہر ہدف ``` مکمل مرحلہ ترتیب اور اوقات: `docs/reproducing.md`۔ ## دوبارہ پیداواریت `make test` M-ماڈل درجہ بندی، فیملی 1 بیس لائنز، Tabor تناسب اور ڈیٹاسیٹ آڈٹ **خام مشتق ڈیٹا سے** دوبارہ شمار کرتا ہے اور انہیں مخطوطے میں چھپی اقدار کے خلاف تصدیق کرتا ہے۔ یہ یہ بھی چیک کرتا ہے کہ ہر شکل اور جدول متن میں کراس-ریفرنس شدہ ہے اور ہر شامل شکل فائل موجود ہے۔ اگر کوئی تجزیہ بدلتا ہے، تو ٹیسٹ ناکام ہو جاتے ہیں اس سے پہلے کہ مخطوطہ بہک سکے۔ **نیسٹڈ ARMOTE-CV پینل** دوبارہ چلانے کے بجائے تصدیق شدہ ہے۔ اس کا جنریٹر فی فولڈ ایک Optuna اسٹڈی، ایک منتخب پیرامیٹر سیٹ، اور فیچر اور ٹارگٹ اسکیلرز کا ایک جوڑا محفوظ کرتا ہے۔ چھ LOBO فولڈز میں پانچ ٹیونڈ Bayesian-ridge ہائپر پیرامیٹرز چھ الگ الگ اقدار لیتے ہیں، اور ہر اسکیلر صرف اس کے ٹریننگ اسپلٹ پر فٹ ہوتا ہے۔ ان اشیاء کو دوبارہ لوڈ کرنا اور ہر ہولڈ-آؤٹ بیچ کی پیش گوئی کرنا تمام چھ فولڈ اسکورز کو بالکل دوبارہ پیدا کرتا ہے اور پولڈ LOBO Q² 0.613 (RMSE 50.5 MPa) دیتا ہے۔ لہذا نیسٹنگ کا مظاہرہ کیا گیا ہے، صرف دعوی نہیں۔ وہ آرٹیفیکٹس ریپوزٹری کے ساتھ `scripts/04_family4_nonlinear_ml/armote_cv/` کے تحت آتے ہیں — وہاں README دیکھیں کہ کیا رکھا گیا اور کیا اپ اسٹریم چھوڑا گیا۔ دو تجزیے **آرکائیول** ہیں اور یہاں، مخطوطے میں، یا `make` کے ذریعے دوبارہ تیار نہیں کیے جاتے: | آرکائیول نتیجہ | کیوں | |---|---| | Bayesian PSIS-LOO اسٹیکنگ وزن | PyMC پوسٹیریئر ڈرا محفوظ نہیں رکھے گئے | | آؤٹر-لوپ PySR کارکردگی | مساوات مکمل-ڈیٹا فرنٹس پر منتخب کی گئیں | مخطوطہ انہیں آرکائیول کے طور پر رپورٹ کرتا ہے، اور متعلقہ فریکوئنٹسٹ مقداریں جو *دوبارہ شمار ہو سکتی ہیں* (M15 کے OLS کوایفیشینٹس، معلوماتی معیار اور گروپڈ-CV اسکورز) `make sdgrain` سے دوبارہ تیار کی جاتی ہیں۔ ## شکلیں ہر شکل `scripts/_figstyle.py` امپورٹ کرتی ہے، لہذا پورا دستاویز ایک Okabe–Ito پیلیٹ اور ایک ٹائپ اسکیل استعمال کرتا ہے۔ رنگ کبھی واحد چینل نہیں: بیچز الگ مارکر شکلیں رکھتے ہیں، ماڈل فیملیز پوزیشن سے الگ ہوتی ہیں، اور دستخط شدہ مقداریں اپنی قدر چھاپتی ہیں۔ شکلیں ان کی حتمی چھپی چوڑائی پر بنائی جاتی ہیں تاکہ اسکرپٹ میں پوائنٹ سائز صفحے پر وہی پوائنٹ سائز ہو۔ پیلیٹ کو مصنوعی ڈیوٹرانوپیا، پروٹانوپیا اور ٹرائٹانوپیا کے تحت چیک کیا گیا۔ ## حوالہ `CITATION.cff` دیکھیں۔ Zenodo کے لیے آرکائیول میٹا ڈیٹا `.zenodo.json` میں ہے۔ ## لائسنس MIT — `LICENSE` دیکھیں۔ خام تجرباتی ڈیٹاسیٹ اور لٹریچر کمپلیشن شامل ہیں؛ حوالہ شدہ لٹریچر PDFs دوبارہ تقسیم نہیں کیے جاتے۔ ## اعتراف آرمی ریسرچ لیبارٹری کے تعاون سے معاہدہ W911NF-22-2-0106 کے تحت سپانسر شدہ۔