A systematic first-principles calculation for the total energies of 78 pure elemental solids has been performed at zero Kelvin using the projector augmented-wave method within the generalized gradient approximation. The total energy differences, i.e. lattice stabilities, among the face-centered-cubic (fcc), body-centered-cubic (bcc), and hexagonal-close-packed (hcp) crystal structures are studied and compared with the Scientific Group Thermodata Europe (SGTE) database developed by the CALPHAD method. For non-transitional elements, favorable comparison is observed, while for the majority of transition elements, particularly the V, Cr, Mn, Fe, and Co group elements, significant discrepancies exist. The Bain/tetragonal distortion analysis between fcc and bcc structures shows that when one structure is stable, the other is unstable, and the higher the energy of the unstable structure, the larger the discrepancy. Through analysis of the alloying effect in binary systems, we conclude that the lattice stability of unstable structures obtained through extrapolation of first-principles calculations in binary systems is close to the SGTE lattice stability obtained by the CALPHAD method.

Additive manufacturing (AM) has gained considerable academic and industrial interest due to its ability to produce parts with complex geometries with the potential for local microstructural control. However, due to the large number of material and process variables associated with AM, optimization of alloying compositions and process parameters to achieve desired properties is an arduous task. There is a fundamental gap in understanding how changes in process variables and alloy composition and thermodynamics affect additively manufactured parts. The present systematic study sheds light on the effects of alloying composition and corresponding phase diagram features on the printability and solidification microstructures of four binary nickel-based alloys, namely, Ni-20 at% Cu, Ni-5 at% Al, Ni-5 at% Zr, and Ni-8.8 at% Zr. These compositions are selected to represent binary isomorphous, weak solute partitioning, strong solute partitioning, and eutectic alloying conditions, respectively. Single track and bulk experiments are conducted to quantify the effects of varying material thermodynamic properties such as solidification temperature ranges, alloy melting temperatures, and other solidification conditions on resultant microstructures across the laser powder bed fusion (L-PBF) parameter space. A simple framework for developing processing maps detailing porosity formation and microsegregation across the laser power – scan speed parameter space is established and validated for each of these alloys to determine how material properties affect printability and microstructure in L-PBF. This knowledge will be vital in optimizing alloy chemistry and process parameters to design alloys specifically for additive manufacturing, as well as to provide a path toward local microstructure control.

Multi-principal-element alloys (MPEAs) based on 3d-transition metals show remarkable mechanical properties. The stacking fault energy (SFE) in face-centered cubic (fcc) alloys is a critical property that controls underlying deformation mechanisms and mechanical response. Here, we present an exhaustive density-functional theory study on refractory- and copper-reinforced Cantor-based systems to ascertain the effects of refractory metal chemistry on SFE. We find that even a small percent change in refractory metal composition significantly changes SFEs, which correlates favorably with features like electronegativity variance, size effect, and heat of fusion. For fcc MPEAs, we also detail the changes in mechanical properties, such as bulk, Young's, and shear moduli, as well as yield strength. A Labusch-type solute-solution-strengthening model was used to evaluate the temperature-dependent yield strength, which, combined with SFE, provides a design guide for high-performance alloys. We also analyzed the electronic structures of two down-selected alloys to reveal the underlying origin of optimal SFE and strength range in refractory-reinforced fcc MPEAs. These new insights on tuning SFEs and modifying composition-structure-property correlation in refractory- and copper-reinforced MPEAs by chemical disorder, provide a chemical route to tune twinning- and transformation-induced plasticity behavior in fcc MPEAs.

While digital computers rely on software-generated pseudo-random number generators, hardware-based true random number generators (TRNGs), which employ the natural physics of the underlying hardware, provide true stochasticity, and power and area efficiency. Research into TRNGs has extensively relied on the unpredictability in phase transitions, but such phase transitions are difficult to control given their often abrupt and narrow parameter ranges (e.g., occurring in a small temperature window). Here we demonstrate a TRNG based on self-oscillations in LaCoO

The martensitic transformation in NiTi-based Shape Memory Alloys (SMAs) provides a basis for shape memory effect and superelasticity, thereby enabling applications requiring solid-state actuation and large recoverable shape changes upon mechanical load cycling. In order to tailor the transformation to a particular application, the compositional dependence of properties in NiTi-based SMAs, such as martensitic transformation temperatures and hysteresis, has been exploited. However, the compositional design space is large and complex, and experimental studies are expensive. In this work, we develop an interpretable piecewise linear regression model that predicts the λ2 parameter, a measure of compatibility between austenite and martensite phases, and an (indirect) factor that is well-correlated with martensitic transformation hysteresis, based on the chemical features derived from the alloy composition. The model is capable of predicting, for the first time, the type of martensitic transformation for a given alloy chemistry. The proposed model is validated by experimental data from the literature as well as in-house measurements. The results show that the model can effectively distinguish between B19 and B19′ regions for any given composition in NiTi-based SMAs and accurately estimate the λ2 parameter.

Algorithmic materials discovery is a multi-disciplinary domain that integrates insights from specialists in alloy design, synthesis, characterization, experimental methodologies, computational modeling, and optimization. Central to this effort is a robust data management system paired with an interactive work platform. This platform should empower users to not only access others data but also integrate their analyses, paving the way for sophisticated data pipelines. To realize this vision, there is a need for an integrative collaboration platform, streamlined data sharing and analysis tools, and efficient communication channels. Such a collaborative mechanism should transcend geographical barriers, facilitating remote interaction and fostering a challenge-response dynamic. In this paper, we present our ongoing efforts in addressing the critical challenges related to an accelerated Materials Discovery Framework as a part of the High-Throughput Materials Discovery for Extreme Conditions Initiative. Our BIRDSHOT Center has successfully harnessed various tools and strategies, including the utilization of cloud-based storage, a standardized sample naming convention, a structured file system, the implementation of sample travelers, a robust sample tracking method, and the incorporation of knowledge graphs for efficient data management. Additionally, we present the development of a data collection platform, reinforcing seamless collaboration among our team members. In summary, this paper provides an illustration and insight into the various elements of an efficient and effective workflow within an accelerated materials discovery framework while highlighting the dynamic and adaptable nature of the data management tools and sharing platforms.

Interlocking metasurfaces (ILMs) are a newly developed joining technology that relies on arrays of interlocking features that transmit force and constrain motion between adjoining bodies in one or more directions. This study explores harnessing the shape memory effect (SME) in Nickel-Titanium shape memory alloys (NiTi SMAs) in structures fabricated using additive manufacturing (AM) to advance the development of active ILMs by creating unit cells that open or close at specific temperatures. The study encompasses designing and fabricating two distinct interlocking array configurations using near-equiatomic NiTi powder and the laser powder bed fusion (L-PBF) AM technique, following a previously developed AM process optimization framework to manufacture defect-free parts. To guide the design process, finite element analysis (FEA) was employed to predict strain values during engage-disengage cycles. The martensitic transformation characteristics of the ILMs were characterized. Thermomechanical testing revealed that the ILMs demonstrate high locking force once engaged, coupled with complete shape recovery and good cyclic stability. Digital image correlation (DIC) was also employed to validate the FEA predictions during the engage-disengage cycles. The results indicate that NiTi SMA-based ILMs can be designed and fabricated into complex shapes using L-PBF. By leveraging the SME, the functionality of an ILM can be improved upon. The combination of computational modeling, additive manufacturing, and thermomechanical and physical property characterization provides a framework for designing future ILMs out of active materials.