机器学习增强原子探针层析技术揭示CoCrNiFeMn复杂合金中L12型化学短程有序的定量研究

为解决面心立方(FCC)成分复杂合金(CCAs)中L12型化学短程有序(CSRO)难以量化的问题，研究人员通过机器学习增强原子探针层析技术(ML-APT)，首次在非等原子和等原子CoCrNiFeMn合金中实现CSRO的三维定量分析。研究发现Cr排斥倾向主导的L12-CSRO分布规律，其形成受成分和热处理条件显著影响，为CCAs性能调控提供了新思路。

　　

在材料科学领域，成分复杂合金（CCAs）因其独特的性能调控潜力成为研究热点。然而，这类多主元合金中纳米尺度的化学短程有序（CSRO）现象，尤其是面心立方（FCC）结构中L1₂型有序结构的早期形成机制，长期缺乏有效的实验表征手段。传统透射电镜（TEM）和X射线散射技术难以捕捉原子尺度的局部有序特征，而原子探针层析（APT）技术又受限于复杂成分导致的轨迹畸变问题。这一瓶颈严重制约了通过成分设计精准调控合金性能的研究进程。

针对这一挑战，国内某研究机构的研究人员创新性地将机器学习算法与APT技术结合，开发出ML-APT分析方法。该团队选取典型五元CoCrNiFeMn体系，通过系统研究不同成分和热处理条件下的L1₂-CSRO演化规律，首次实现了纳米级有序结构的定量化三维表征。相关成果发表在《Journal of Materials Science》上，为CCAs的理性设计提供了重要实验依据。

研究采用三项关键技术：首先通过电子背散射衍射（EBSD）定位制备沿{002}晶向的APT针状样品；其次利用卷积神经网络（CNN）训练模拟的z向空间分布图（z-SDMs）建立FCC/CSRO识别模型；最后结合Pearson列联系数（μ）统计方法区分真实有序与随机分布。

3.1节通过分析非等原子Co-22Cr-13Ni-31Fe-9Mn合金的APT数据质量，发现4nm半径区域内深度分辨率标准差（σ）达0.032nm，满足CSRO分析要求。3.2节建立的识别模型显示，Cr-Cr和Ni-Ni原子对在L1₂结构中优先占据角位点，形成排斥型有序。3.3节定量分析表明，非等原子合金中Cr-Cr L1₂-CSRO平均半径0.38nm，数密度达2.26×10²⁴ m^-3，Cr含量较基体高4.95%。3.4节对比研究发现，等原子合金经炉冷处理后才会形成Cr-Cr L1₂-CSRO，其尺寸（0.49nm）和数密度（3.07×10²⁴ m^-3）更大，但Cr浓度梯度较非等原子合金更低。

讨论部分指出，该研究首次为蒙特卡洛模拟预测的Cr排斥行为提供了实验证据，但未观察到理论预期的Mn角位占据现象。通过调控Cr/Ni比例和冷却速率，可有效控制L1₂-CSRO的密度与尺寸，这为通过成分设计优化合金力学性能提供了新途径。研究建立的标准化ML-APT工作流程，将识别灵敏度提升至30原子（约0.4nm）的尺度，突破了传统方法对复杂成分体系的表征极限。未来需进一步探索该方法在体心立方（BCC）和密排六方（HCP）结构CCAs中的应用，以及非球形有序结构的识别能力。

这项研究不仅解决了CCAs中纳米有序结构的定量表征难题，更建立了成分-工艺-微观结构的关联规律，为开发新一代高性能合金提供了重要的方法论基础和设计准则。