机器学习揭开先进合金的秘密

金属合金中的短程有序 (SRO) 概念（原子在短距离上的排列）在材料科学和工程领域尚未得到充分探索。但过去十年，人们对量化 SRO 的兴趣又重新燃起，因为解码 SRO 是开发定制高性能合金（如更坚固或耐热的材料）的关键一步。

机器学习揭开先进合金的秘密

了解原子如何排列并非易事，必须通过密集的实验室实验或基于不完善模型的计算机模拟来验证。这些障碍使得全面探索金属合金中的 SRO 变得困难。

但麻省理工学院材料科学与工程系 (DMSE) 的研究生 Killian Sheriff 和 Yifan Cao 正在使用机器学习逐个原子地量化构成 SRO 的复杂化学结构。在助理教授 Rodrigo Freitas 的指导下，以及在电气工程和计算机科学系助理教授 Tess Smidt 的帮助下，他们的研究成果最近发表在《 美国国家科学院院刊》上。

人们对 SRO 的兴趣与对高熵合金这种先进材料的兴奋有关，高熵合金的复杂成分赋予了它们优异的性能。

通常，材料科学家会以某种元素为基础，添加少量其他元素来增强特定性能，从而开发出合金。例如，在镍中添加铬可以使所得金属更耐腐蚀。

与大多数传统合金不同，高熵合金含有多种元素，从 3 种到 20 种，且比例几乎相等。这提供了巨大的设计空间。“这就像你用更多配料制作一道菜一样，”曹说。

目标是利用 SRO 作为“旋钮”，通过以独特的方式混合高熵合金中的化学元素来调整材料特性。曹说，这种方法在航空航天、生物医药和电子等行业具有潜在应用，推动了探索元素排列组合的需求。

捕捉短程秩序

短程有序是指原子倾向于与特定的相邻原子形成化学排列。虽然从表面上看合金的元素分布可能表明其组成元素是随机排列的，但事实往往并非如此。“原子倾向于将特定的相邻原子排列成特定的模式，”弗雷塔斯说。“这些模式出现的频率以及它们在空间中的分布方式决定了 SRO。”

了解 SRO 可以打开高熵材料王国的钥匙。不幸的是，人们对高熵合金中的 SRO 知之甚少。Sheriff 说：“这就像我们试图建造一个巨大的乐高模型，却不知道最小的乐高积木是什么。”

理解 SRO 的传统方法涉及小型计算模型或有限数量原子的模拟，无法提供复杂材料系统的完整图像。Sheriff 说：“高熵材料在化学上非常复杂——你无法仅用几个原子很好地模拟它们；你真的需要超过这个长度尺度才能准确捕捉材料。否则，这就像试图在不了解父母的情况下了解你的家谱一样。”

SRO 也可以通过基础数学计算，计算几个原子的近邻，然后计算平均分布情况。尽管这种方法很受欢迎，但它也有局限性，因为它提供的 SRO 图像并不完整。

幸运的是，研究人员正在利用机器学习来克服捕获和量化 SRO 的传统方法的缺点。

Hyunseok Oh是威斯康星大学麦迪逊分校材料科学与工程系的助理教授，曾任 DMSE 博士后，他对更全面地研究 SRO 感到兴奋。Oh 没有参与这项研究，他探索了如何利用合金成分、加工方法及其与 SRO 的关系来设计更好的合金。“合金的物理性质及其性质的原子起源取决于短程有序，但对短程有序的准确计算几乎是不可能的，”Oh 说。

双管齐下的机器学习解决方案

曹说，为了使用机器学习来研究 SRO，将高熵合金中的晶体结构描绘成彩色书中的连点游戏会有所帮助。

“你需要知道连接点的规则才能看到模式。”你需要用足够大的模拟来捕捉原子的相互作用，以适应整个模式。

首先，理解这些规则意味着要重现高熵合金中的化学键。“化学模式中存在微小的能量差异，这会导致短程有序性的差异，而我们没有一个好的模型来做到这一点，”弗雷塔斯说。该团队开发的模型是准确量化 SRO 的第一个基石。

挑战的第二部分是确保研究人员了解整个情况，这部分更为复杂。高熵合金可以表现出数十亿种化学“图案”，即原子排列的组合。从模拟数据中识别这些图案很困难，因为它们可以以对称等效形式出现——旋转、镜像或倒置。乍一看，它们可能看起来不同，但仍然含有相同的化学键。

研究团队通过采用3D 欧几里得神经网络解决了这个问题。这些先进的计算模型使研究人员能够从高熵材料的模拟中以前所未有的细节识别化学结构，并逐个原子地进行检查。

最后一项任务是量化 SRO。Freitas 使用机器学习来评估不同的化学基序，并为每个基序标记一个数字。当研究人员想要量化一种新材料的 SRO 时，他们会通过模型运行它，模型会在数据库中对其进行分类并给出答案。

该团队还投入了额外的努力，使他们的基序识别框架更易于访问。“我们已经设置了 [SRO] 所有可能排列的表格，并且我们知道通过这个机器学习过程，它们每个都得到了什么数字，”Freitas 说。“所以稍后，当我们进行模拟时，我们可以对它们进行分类，以告诉我们新的 SRO 会是什么样子。”神经网络很容易识别对称操作并用相同的数字标记等效结构。

“如果你必须自己编译所有的对称性，那将是一项艰巨的工作。机器学习可以非常快速地为我们组织这一切，而且成本足够低，我们可以将其应用于实践，”弗雷塔斯说。

世界上最快的超级计算机

今年夏天，曹和谢里夫及其团队将有机会通过美国能源部的INCITE 计划探索 SRO 在铸造和冷轧等常规金属加工条件下如何变化，该计划允许访问世界上最快的超级计算机Frontier 。

“如果你想知道在实际制造金属的过程中短程有序如何变化，你需要一个非常好的模型和一个非常大的模拟，”Freitas 说。该团队已经有一个强大的模型；现在它将利用 INCITE 的计算设施进行所需的稳健模拟。

“我们希望通过这种方式发现冶金学家可以采用的机制，以设计具有预定 SRO 的合金，”Freitas 补充道。

Sheriff 对这项研究的诸多前景感到兴奋。其中之一就是可以获得有关化学 SRO 的 3D 信息。Sheriff 说，传统的透射电子显微镜和其他方法仅限于二维数据，而物理模拟可以填补这些空白，并全面获取 3D 信息。

“我们引入了一个框架来开始讨论化学复杂性，”谢里夫解释道。“现在我们可以理解这一点，有一大堆关于经典合金的材料科学，可以开发高熵材料的预测工具。”

这可能导致有目的地设计新类型的材料，而不是简单地盲目尝试。

该研究由 MathWorks Ignition Fund、MathWorks 工程奖学金基金和麻省理工学院-葡萄牙计划的葡萄牙国际科学、技术和高等教育合作基金会资助。