新方法通过捕捉细微原子模式，提升金属合金行为预测的精度

走在航空航天、能源和计算最前沿的公司，一直在寻找新材料来提升性能。但这些材料装进火箭或用在计算机芯片上之后到底表现如何？为了搞清楚这一点，公司得先把材料做出来，然后再测试。这是因为再强大的模拟技术，也很难模拟出当今大多数固体材料中复杂的化学排列。这个问题给材料创新增加了成本和时间。

现在，麻省理工学院的一个研究团队开发出了一种方法，可以准确模拟金属的行为，不管其化学排列有多复杂。该方法的核心是机器学习模型，能让材料模拟变得更快、更准。研究人员通过构建训练数据集改进了这些模型，这些数据集捕捉了化学无序材料中原子环境的多样性。

在《科学进展》上发表的一篇新论文中，研究人员证明了他们的方法能在一系列条件下准确预测多种金属合金的材料特性。他们还展示了该方法如何用于开发新材料，尤其是在实验成本高昂的情况下。

“这篇论文的重点是金属合金，这也是我研究的领域，但也能用到其他材料上，比如半导体，”资深作者、麻省理工学院材料科学与工程TDK职业发展教授罗德里戈·弗雷塔斯说。

“这不局限于某一种应用——你可以用这种方法来创造新型可持续钢材、航空航天新材料等等。这才是让人兴奋的地方。”

与弗雷塔斯共同撰写这篇论文的还有第一作者基利安·谢里夫博士；麻省理工学院博士生丹尼尔·肖和曹一凡；以及谢菲尔德大学高级讲师刘易斯·R·欧文。

金属的建模

材料的特性主要由其化学元素的内部排列决定。即使两种材料具有相同的化学元素组合，不同的化学排列也可能导致一种材料很脆容易断，而另一种则能变形但不会断裂。

要区分这一点，需要逐个原子地模拟材料。为此，研究人员靠的是描述原子之间如何相互作用的模型。

在过去二十年中，机器学习已经成了建立这类模型最准确的方法。当材料内部的化学排列高度有序时，这类模型表现得很好，但大多数固体材料并非如此，其原子化学排列无序，而且不同区域的排列还不一样。

“我们领域真正的挑战是怎么给这些化学无序相建模，”Freitas说。“化学无序意味着局部化学环境千差万别，机器学习模型很难学到这些。这就麻烦了，因为我们实际用的每一种金属都是化学无序的。”

问题的根源在于缺少有代表性的训练数据。目前生成这类数据的主流方法靠的是硬算，往往需要超过10万小时的计算量才能为单一材料生成训练数据。即便如此，一旦研究人员改变材料成分，这些数据就不太适用了。

在先前的工作中，Freitas的团队开发了一种通过分析微小原子团的频率和间距来测量固体材料化学复杂性的方法。在这项研究中，研究人员用这个方法来建立更好的训练数据集。

他们使用了一种被称为信息论的数学方法来生成训练数据集，这些数据集能够涵盖无序材料内部更广泛多样的局部化学环境。该方法通过从样本中换出原子来减少重复，并让模型接触到它原本可能接触不到的化学环境。

“我们不断优化训练集，使其尽可能涵盖更多不同的局部环境，”Freitas说。“如果同一种环境多次出现，我们就用模型之前没见过的例子来替换冗余的例子。这样一来，训练集的信息量就大得多了，因为每个例子都带来了新东西。”

当使用研究人员的数据集进行训练时，这些模型预测材料性能的准确性高于使用随机采样或另一种常用采样方法训练的模型。

“这些一个原子一个原子的模拟，出发点是：你能否准确描述原子之间的化学键？”Freitas解释道。“如果不能，它仍然能让你对材料有一个总体的认识，但它不会告诉你特定材料在现实世界中会发生什么。这种方法让模拟在化学层面上更加精确，从而更好地反映材料内部发生的变化。”

研究人员应用他们的技术为一组化学成分各异的金属合金创建了机器学习训练数据集。使用一组机器学习模型，他们证明，用他们的数据集训练出来的模型，比谷歌和微软等公司开发的规模大得多的模型还要准确。

“我们做到了一步，确信不用这些昂贵的蛮力方法也能奏效，”Freitas说。“我告诉Killian，‘这是一篇好论文。但如果你能证明使用这些模型的模拟现在能够准确预测有用的材料性能，那它就会变成一篇非常好的论文。’Killian把这话放在了心上，尽可能广泛地对此进行了测试。”

Sheriff与Xiao和Cao合作，在多种合金和不同性能条件下测试了该方法。团队还利用了Owen的实验数据，将模拟结果与合金中原子有序排列的实测数据进行对比。

从实验室到工业

该方法之所以有效，部分原因在于它能够发现样本数据中隐藏的规律。研究人员在论文中将这些规律描述为“对某些局部化学排列方式的微小能量倾向”。

这些微小的能量差异之所以重要，是因为它们决定了合金中会形成哪些相、这些相如何随温度和成分变化，以及最终材料将具有哪些性能。作为一项测试，Xiao主导的模拟表明，团队的模型能够预测出与实验数据高度吻合的相图。

相图展示了在不同温度和化学成分下哪些相是稳定的，是设计和加工合金的核心工具。

“相图是人们把材料建模和实际加工决策联系起来的主要手段之一，”Freitas说。“如果你在焊接、铸造或对合金进行热处理，你需要知道在不同条件下哪些相可能会形成。我们的目标是让这类预测足够准确、足够易用，从而成为人们设计材料时自然而然会用到的工具。”

研究人员目前正在使用该方法研究改变合金成分如何影响力学性能和耐辐射性能，目标是设计出在恶劣环境中仍能保持强度、不易受损的材料。他们还在努力让这种方法更容易和材料工程师已经在用的工具及工作流程对接。

“如果你们创造的东西不符合行业现有的操作流程，行业是不会改变自己的做事方式的，”弗雷塔斯说。“目标是让这些预测真正用在做材料决策的地方。”