在航空航天、能源和计算领域的公司不断寻求新材料以提升性能。然而，要了解这些材料在火箭或计算机芯片中的实际表现，首先必须制造并测试这些材料。这是因为即使是最强大的模拟技术也难以建模当今大多数固体材料中的复杂化学排列。麻烦在于，这增加了材料创新的成本和时间。
现在，麻省理工学院的研究团队创建了一种方法，可以准确建模金属的行为，无论其化学排列有多复杂。该方法的核心是机器学习模型，使材料模拟变得更快、更准确。研究人员通过构建捕捉化学无序材料原子环境多样性的训练数据集来改进这些模型。
在《科学进展》上的一篇新论文中，研究人员展示了他们的方法可以在多种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在实验成本高昂的场景中开发新材料。研究的主要作者罗德里戈·弗雷塔斯表示：“这篇论文的重点是金属合金，但它可以适用于其他类型的材料，比如半导体。”
模拟金属
材料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材料的脆性或变形能力的差异。捕捉这种区别需要逐原子模拟材料。为此，研究人员依赖于描述原子相互作用的模型。
在过去的二十年中，机器学习已成为构建这些模型的最准确方法。尽管如此，当材料内部的化学排列高度无序时，这些模型就难以发挥作用。
“我们领域的真正挑战是建模这些化学无序相，”弗雷塔斯说。他们的研究显示，当前创建训练数据的主要方法往往需要超过10万小时的计算时间，这使得数据的转移性变差。
之前的研究中，弗雷塔斯的团队开发了一种通过分析原子组的频率和间距来测量固体材料化学复杂性的方法。此次研究利用这一能力构建更好的训练数据集，采用信息论的数学方法，生成捕捉无序材料中更广泛的局部化学环境的数据集。
“我们不断优化训练集，以捕捉尽可能多的不同局部环境，”弗雷塔斯说。通过这种方法，模型在他们的数据集上训练后，能比使用随机采样或其他流行采样方法的模型预测材料特性更准确。
从实验室到工业
该方法通过捕捉样本数据中的隐藏模式而有效。研究人员在论文中描述这些模式为“对某些局部化学配置的微妙能量偏向”。这些小的能量差异决定了合金中形成的相、随温度和成分变化的相，并最终影响材料的特性。
研究人员正在利用这一方法研究改变合金成分对机械性能和辐射耐受性的影响，目标是设计出在恶劣环境中仍能保持强度和耐损伤的材料。
“目标是使这些预测在材料决策中变得有用，”弗雷塔斯总结道。研究得到了美国空军科学研究办公室的支持。
博主点评： 该研究通过创新的机器学习方法，显著提升了金属合金的行为建模精度，打破了传统模拟的局限性，为材料科学领域带来了新的机遇。未来的材料设计将更加高效、智能，助力行业发展。