金属合金中的短程有序(SRO)概念——原子在小距离上的排列——在材料科学和工程中尚未得到充分的探索。但在过去的十年里，人们对量化SRO重新产生了兴趣，因为破译SRO是开发定制高性能合金(如更强或耐热材料)的关键一步。

了解原子如何自我排列并非易事，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。这些障碍使得在金属合金中充分探索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的复杂化学排列。在助理教授Rodrigo Freitas的指导下，在电子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的兴趣与人们对高熵合金这种先进材料的兴奋有关，这种材料的复杂成分赋予了它们优越的性能。

通常，材料科学家通过使用一种元素作为基础并添加少量其他元素来增强特定性能来开发合金。例如，在镍中加入铬可以使金属更耐腐蚀。

与大多数传统合金不同，高熵合金有几种元素，从3到20，比例几乎相等。这提供了一个巨大的设计空间。“这就像你在用更多的食材做一道食谱，”曹说。

目标是利用SRO作为一个“旋钮”，通过以独特的方式混合高熵合金中的化学元素来定制材料性能。曹说，这种方法在航空航天、生物医药和电子等行业有潜在的应用，推动了对元素排列和组合的探索。

捕捉短程秩序

短程有序是指原子与特定相邻原子形成化学排列的趋势。虽然表面上看合金的元素分布可能表明它的组成元素是随机排列的，但事实往往并非如此。弗雷塔斯说:“原子倾向于让特定的相邻原子以特定的模式排列。”“这些模式出现的频率以及它们在空间中的分布方式是SRO的定义。”

理解SRO打开了通往高熵材料王国的钥匙。不幸的是，我们对高熵合金中的SRO知之甚少。“这就像我们试图建造一个巨大的乐高模型，却不知道你能拥有的最小的乐高积木是什么，”警长说。

理解SRO的传统方法涉及小型计算模型，或使用有限数量的原子进行模拟，提供复杂材料系统的不完整图像。“高熵材料在化学上是复杂的——你不能只用几个原子很好地模拟它们;你真的需要比它多走几个距离才能准确捕捉到材料，”Sheriff说。“否则，这就像在不了解父母一方的情况下试图了解你的家谱一样。”

SRO也是通过基本的数学来计算的，计算几个原子的近邻，并计算平均分布的样子。尽管它很受欢迎，但这种方法也有局限性，因为它提供了一个不完整的SRO图像。

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。

威斯康星大学麦迪逊分校(University of Wisconsin at Madison)材料科学与工程系助理教授、前DMSE博士后hyun - seok Oh对更全面地研究SRO感到兴奋。Oh没有参与这项研究，她探索了如何利用合金成分、加工方法以及它们与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依赖于短程有序，但短程有序的精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，它有助于将高熵合金的晶体结构描绘成着色书中的连点游戏。

“你需要知道连接这些点的规则，才能看到其中的规律。”你需要用一个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，理解这些规律意味着再现高熵合金中的化学键。弗雷塔斯说:“化学模式中的微小能量差异导致了短程顺序的差异，我们没有一个很好的模型来做到这一点。”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，即确保研究人员掌握全局，则更为复杂。高熵合金可以表现出数十亿种化学“基序”，即原子排列的组合。从模拟数据中识别这些基序是困难的，因为它们可能以对称等效的形式出现——旋转、镜像或倒置。乍一看，它们可能看起来不同，但含有相同的化学键。

该团队通过使用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基序，逐个原子地检查它们。

最后的任务是量化SRO。弗雷塔斯使用机器学习来评估不同的化学基元，并用数字标记每种基元。当研究人员想要量化一种新材料的SRO时，他们会通过模型来运行，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motif识别框架更容易获得。弗雷塔斯说:“我们已经建立了所有可能的SRO排列，我们知道每个SRO通过机器学习过程得到了多少。”“所以后来，当我们进行模拟时，我们可以对它们进行分类，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，并标记具有相同数字的等效结构。

“如果你必须自己编译所有的对称性，这是一项大量的工作。机器学习以一种足够便宜的方式为我们快速组织了这些，我们可以在实践中应用它，”弗雷塔斯说。

世界上最快的超级计算机登场了

今年夏天，Cao和Sheriff及其团队将有机会通过美国能源部的INCITE项目探索SRO在常规金属加工条件下的变化，如铸造和冷轧，该项目允许使用世界上最快的超级计算机Frontier。

弗雷塔斯说:“如果你想知道在实际金属制造过程中，短期订单是如何变化的，你需要有一个非常好的模型和一个非常大的模拟。”该团队已经有了一个强大的模型;现在，它将利用INCITE的计算设施进行所需的鲁棒模拟。

弗雷塔斯补充说:“有了这些，我们希望发现冶金学家可以用来设计具有预定SRO的合金的那种机制。”

警长对这项研究的诸多前景感到兴奋。一是可以获得化学SRO的三维信息。而传统的透射电子显微镜和其他方法仅限于二维数据，物理模拟可以填补点，并提供完整的三维信息，警长说。

“我们已经引入了一个框架来开始讨论化学的复杂性，”警长解释说。“现在我们可以理解这一点，有一整套关于经典合金的材料科学来开发高熵材料的预测工具。”

这可能会导致有目的的新型材料的设计，而不是简单地在黑暗中拍摄。

该研究由MathWorks点火基金、MathWorks工程奖学金基金和葡萄牙麻省理工学院-葡萄牙项目科学、技术和高等教育国际合作基金会资助。

作者：Poornima Apte | Department of Materials Science and Engineering

链接：https://news.mit.edu/2024/machine-learning-unlocks-secrets-advanced-alloys-0718

著作权归作者所有。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：152 6451 3609，邮箱：1027830374@qq.com