基于机器学习的多尺度材料力学建模技术在复杂合金中的应用
《Accounts of Materials Research》:Machine Learning-Enhanced Multiscale Material Mechanics Modeling for Complex Alloys
【字体:
大
中
小
】
时间:2026年02月14日
来源:Accounts of Materials Research 14.7
编辑推荐:
高分辨率图像
下载MS PowerPoint幻灯片
**概要**
处于性能前沿的结构材料,如高熵合金(HEAs)和金属玻璃(MGs),其卓越的性能源自无序状态。HEAs中的化学无序和MGs中的结构无序都会产生复杂的能量景观,这使得传统的多尺度建模变得困难,因为在不同
高分辨率图像
下载MS PowerPoint幻灯片
**概要**
处于性能前沿的结构材料,如高熵合金(HEAs)和金属玻璃(MGs),其卓越的性能源自无序状态。HEAs中的化学无序和MGs中的结构无序都会产生复杂的能量景观,这使得传统的多尺度建模变得困难,因为在不同尺度之间传递参数时往往会抹去决定强度、延展性和失效的关键局部波动。在过去的十年中,我们的团队通过整合机器学习(ML)和基于物理的力学方法,构建了以机制和可解释性为基础的数据驱动框架来应对这一挑战。
我们针对化学性质复杂的难熔HEAs,开发了机器学习原子间势(ML-IAPs),这些势能够实现量子力学精度,用于原子尺度的位错过程模拟。这些势揭示了局部化学有序性、晶格畸变和扩散的反相边界如何共同控制螺旋滑移与边缘滑移之间的差异以及强度与延展性的权衡。为了将这些见解扩展到介观热力学,我们设计了一种基于物理的图神经网络(PIGNN),该网络将晶格对称性嵌入蒙特卡洛采样中,加速了对化学有序现象的探索,并进一步影响了它们的力学行为。
同时,我们还研究了结构无序的MGs,其力学响应源于纳米尺度剪切转变区(STZs)的激活。通过基于ML的异常值检测,我们从数千个热激活事件中直接识别出流动缺陷,从而获得了原子尺度塑性的无偏视图。将这些见解与介观STZ动力学建模和替代神经网络相结合,我们发现了弹性异质性如何控制STZs的组织成剪切带,以及微观结构设计(如双相非晶结构)如何抑制应变局部化并提高延展性。
在这两类无序合金中,出现了一个统一的观点:ML的最强大之处不在于替代物理理论,而在于揭示物理理论无法单独解析的无序结构。将数据驱动模型与机制框架相结合,可以实现预测性、可解释性和可转移的材料设计方法。本报告反映了我们的研究历程、动机、概念性启示,以及关于数据驱动和基于物理的方法如何协同工作以加速在极端环境中发现复杂合金的不断发展的观点。
**1. 引言**
包括化学无序的高熵合金(HEAs)和结构无序的金属玻璃(MGs)在内的复杂合金已成为材料研究的新前沿。它们的卓越性能、功能性和可调性都源于无序状态。在HEAs中,多种主要元素以近乎等摩尔比混合,导致严重的晶格畸变、缓慢的扩散和复杂的局部化学环境。这些特性赋予了它们高强度、抗蠕变性和宽温度范围内的损伤耐受性。在MGs中,缺乏长程晶体有序性,形成了由短程和中等程相关性定义的拓扑无序原子网络。由此产生的材料具有高弹性极限和耐腐蚀性,但常常遭受应变局部化和灾难性的剪切带形成。尽管这类合金具有巨大潜力,但控制无序状态——即理解和预测原子层面的随机性如何在宏观力学行为中表现出来——仍然是材料科学中的重大挑战。HEAs和MGs中的原子尺度无序在变形过程中动态演变,产生了从原子到宏观尺度的集体行为。然而,传统的多尺度模型通常依赖于在理想化配置上平均的参数,从而忽略了控制缺陷动力学、塑性和失效的关键局部波动。
我们的团队通过数据驱动和基于机制的建模来应对这一挑战,将机器学习(ML)的灵活性与基于物理的框架的可解释性相结合。我们不是将ML视为理论的替代品,而是将其视为更真实地捕捉复杂系统物理本质的桥梁。在HEAs中,经过ML训练的原子间势实现了大尺度原子模拟的量子精度,揭示了局部化学有序性、扩散的反相边界和晶格畸变如何共同控制位错移动性和强度与延展性的平衡。在MGs中,ML算法直接从原子轨迹中识别剪切转变区(STZs),参数化介观尺度变形模型,并指导双相非晶纳米结构的优化,以抑制剪切局部化。通过这些例子,我们发现基于机制的ML提供了一种实用的方法来表示无序状态,同时保留了物理洞察力。通过将数据驱动方法与多尺度力学相结合,可以建立预测性、可解释性和可转移的框架,将原子异质性与宏观性能联系起来。
本报告介绍了我们将ML整合到复杂合金多尺度力学建模中的观点,强调HEAs和MGs作为理解无序状态的互补平台。第2节介绍了它们的结构和力学复杂性,并说明了整合ML的必要性。第3节讨论了HEAs的ML驱动建模,包括原子间势、图神经网络加速的蒙特卡洛模拟和基于位错的合金设计。第4节转向MGs,重点介绍了ML在识别流动缺陷、模拟纳米尺度异质性下的剪切带以及优化非晶纳米结构方面的应用。第5节讨论了下一代结构材料基于机制的数据驱动设计的关键见解、挑战和未来方向,第6节进行了总结性评论。
**2. 多尺度建模框架和机器学习整合**
**2.1. 复杂合金的多尺度建模**
图1展示了复杂合金多尺度建模和ML整合方案的概览。复杂合金的变形源于由结构或化学无序控制的原子相互作用。在HEAs中,塑性变形主要由通过化学非均匀晶格的位错运动介导,伴随着显著的原子级应力波动。根据成分和温度的不同,HEAs表现出固溶强化、位错平面性以及与化学有序性或沉淀物的复杂相互作用。在MGs中,塑性通过称为STZs的局部原子重排实现,这些STZs会形成剪切带。与晶体金属不同,MGs缺乏基于位错的塑性,导致弹性、粘度和剪切局部化之间的独特相互作用。尽管这些合金具有巨大潜力,但控制无序状态——即理解和预测原子层面的随机性如何在宏观力学行为中表现出来——仍然是材料科学中的重大挑战。HEAs和MGs中的原子尺度无序在变形过程中动态演变,产生了从原子到宏观尺度的集体行为。然而,传统的多尺度模型通常依赖于在理想化配置上平均的参数,从而忽略了控制缺陷动力学、塑性和失效的关键局部波动。
多尺度建模提供了一个分层框架,将不同长度和时间尺度上的变形过程联系起来。在电子层面,密度泛函理论(DFT)捕捉了键合、电荷转移和缺陷能量,解释了HEAs中的固溶强化和化学有序性,以及MGs中的流动缺陷结构和能量。在此基础上,分子动力学(MD)和蒙特卡洛(MC)等方法揭示了化学无序晶格或非晶系统中的位错机制、扩散动力学和热激活事件。在介观尺度上,位错动力学模拟描述了集体位错行为,包括森林硬化、滑移平面性和障碍物相互作用。对于MGs,STZ动力学用于模拟粗粒化局部重排,从而预测剪切带的形态和变形异质性。晶体塑性有限元方法(CPFEM)通过结合晶体学滑移系统、取向依赖行为和多晶体的织构演变,实现了向宏观尺度的过渡。最后,连续体塑性和弹性理论使用从细尺度模型传递的有效参数来捕捉结构尺度的应力-应变响应。
尽管这些模型取得了成功,但跨尺度建模仍然是一个关键挑战,特别是对于无序系统而言。诸如弹性常数、缺陷移动性和扩散性等参数通常是在理想化配置上平均的,导致控制力学响应的关键局部波动丢失。这一挑战在MGs中尤为突出,因为其结构激发是异质且非重复的。因此,传统方法难以捕捉驱动塑性流动的罕见事件或不断演变的异质性。为了解决这些问题,需要整合能够从多样化、高维信息中学习的数据驱动方法。
**2.2. 材料建模中的跨尺度机器学习整合**
传统的多尺度框架提供了重要的见解,但往往难以捕捉原子无序、罕见事件和跨尺度建模。ML通过从高维数据中提取模式和支配原理,提供了强大的补充。监督学习(例如随机森林、支持向量机、神经网络)用于属性预测和替代建模,而无监督学习(例如聚类、降维)用于特征提取和结构识别。深度学习架构,包括卷积神经网络(CNNs)、循环神经网络(RNNs)和图神经网络(GNNs),在直接从原子尺度结构和多尺度模拟中学习方面显示出巨大潜力。在原子尺度上,ML原子间势能够实现准确的分子动力学,捕捉化学复杂合金中的缺陷能量、缺陷相互作用和热激活过程,以DFT计算成本的一小部分实现量子级精度。对于MGs,理解长时间动力学、玻璃转变和老化仍然是一个长期存在的挑战;基于ML的方法正在成为有前景的替代方案。无监督的结构聚类方法和“集成玻璃-缺陷”概念揭示了非晶配置中的隐藏秩序,而深度学习研究捕捉了复杂玻璃中的原子塑性机制和动态力学响应。在介观尺度上,基于原子尺度数据训练的ML模型可以表征流动缺陷并参数化其动力学,为粗粒化变形过程模拟提供输入。在宏观尺度上,ML已被用于直接从实验或模拟中学习本构关系和损伤演变,加速了在不同条件下的应力-应变响应、断裂行为和疲劳寿命的预测。最近的研究进一步展示了数据驱动的本构建模如何将宏观响应与微观物理联系起来,提供了通过学习表示来跨尺度建模的新途径。
**2.3. 多尺度建模和机器学习的互补特性**
这些新兴的数据驱动方法在识别模式和加速发现方面表现出显著的能力,但也揭示了一个更深层次的真理:没有单一范式能够完全捕捉无序材料的复杂性。多尺度建模和ML不是竞争性的范式,而是互补的工具。多尺度建模提供了基于物理的基础,阐明了跨尺度的机制、相互作用和涌现行为。它限制了参数空间并确保了可解释性,但在应用于无序系统时可能计算要求高,引入了许多不确定参数,并且普遍适用性有限。另一方面,ML在处理大量异构数据集、构建替代模型、识别相关性和量化不确定性方面表现出色。它在处理多保真度数据时特别有效,并能揭示隐藏的模式。然而,ML模型可能缺乏可解释性,存在非物理解的风险,并且在没有额外约束的情况下可能不遵守守恒定律。两种方法的整合结合了二者的优点:ML可以加速模拟、校准参数并推断难以直接量化的微观结构特征,而基于物理的模型提供了可解释性、强制约束并确保物理上合理的输出。这种协同作用构成了基于机制的ML的核心,并激发了关于多尺度建模和ML如何作为互补而非竞争性框架来控制跨尺度无序状态的讨论。支持信息中的表S1总结了本报告中讨论的主要ML方法,详细介绍了它们的输入、输出、优点和局限性。
**3. 高熵合金**
**3.1. 结构特征和力学行为**
HEAs是由多种主要元素组成的系统,其独特性能源于化学无序、严重的晶格畸变和允许多种局部有序性的广阔配置空间。其中,由难熔元素(如Nb、Mo、W、Ta和V)组成的体心立方(BCC)结构的难熔HEAs在高温下表现出卓越的力学性能,超过了传统超合金。例如,等原子比的MoNbTaW RHEAs即使在1200°C以上的温度下也保持显著的热稳定性和强度,屈服强度约为400 MPa。这种出色的高温性能归因于它们的高熔点、缓慢的扩散动力学和坚固的BCC晶格框架。虽然HEAs最初被认为是化学上随机的固溶体,但原子尺度建模揭示了它们经常发展出化学短程有序性(SRO),其中某些原子对(如Mo–Ta)在能量上更受青睐。这种SRO改变了局部键合环境和堆垛错能,从而影响位错移动性和相稳定性。此外,HEAs中显著的原子尺寸不匹配导致明显的晶格畸变,这通过阻碍位错运动增强了合金的强度。它们固有的低扩散性和缓慢的动力学进一步提高了抗蠕变性,有助于出色的高温性能。尽管强度很高,但RHEAs在室温下的延展性通常有限。重要的是,这些合金中的位错机制和移动性对局部化学环境非常敏感,这使它们与稀薄的体心立方(BCC)合金有所不同。这些复杂的结构特征共同强调了基于机制的设计需求,并突显了机器学习(ML)增强的多尺度建模在加速探索和优化广泛成分空间方面的潜力。3.2. 用于高温合金(HEAs)的ML原子间势能开发RHEAs的结构和化学复杂性挑战了传统的原子间势能,后者难以捕捉依赖于局部环境的相互作用。机器学习原子间势能(ML-IAPs)通过直接从密度泛函理论(DFT)数据中学习势能面(PES)来克服这一限制,实现了量子级别的保真度,并具有分子动力学效率。(26)与受固定功能形式约束的经验势能不同,ML-IAPs使用高保真度数据集灵活地将原子配置映射到能量和力上,这些数据集通常是通过DFT计算生成的。这使得它们特别适用于模拟复杂的合金,在这些合金中,化学和结构无序性违背了传统方法的简化假设。ML-IAPs的开发遵循四个主要步骤,如图2所示。首先,是数据库的生成。对于MoNbTaW,(5)我们构建了5,564个原子结构,涵盖了多种配置,包括特殊准随机结构(SQS)生成的二元、三元和四元合金的体模型、大弹性变形、表面结构以及非平衡状态,以及低配位基元(例如二聚体和三聚体)。这个多样化的数据集为准确捕捉对模拟复杂HEAs至关重要的能量和结构变化提供了坚实的基础。图2图2. 开发和应用SNAP-NN势能于MoNbTaW RHEA系统的工作流程。经参考文献(5,6)许可改编。版权所有2023年和2024年Elsevier Ltd。高分辨率图像下载MS PowerPoint幻灯片其次,通过生成编码局部原子环境的描述符将原子结构转换为适合ML的格式。在这里,我们使用了光谱邻居分析势能(SNAP)描述符。(39)SNAP通过超球谐函数的双谱来表示每个原子环境,提供了一种紧凑的、保持对称性的并且系统收敛的描述方法。SNAP具有6个带限(30个双谱分量),在保持计算效率的同时有效捕捉了MoNbTaW中的微妙化学和结构变化。第三步是学习任务。对于MoNbTaW系统,我们使用PyXtal_FF包训练了一个神经网络(NN)势能。(5)模型架构由两个隐藏层组成,每个隐藏层有30个神经元,预测局部原子能量,这些能量相加得到总能量。最终的NN势能在训练集上的平均绝对误差(MAE)分别为能量3.76 meV/原子、力0.100 eV/?和应力0.537 GPa,在验证集上的相应值为9.04 meV/原子、0.117 eV/?和0.641 GPa。第四步是基准测试和领域外(OOD)验证。如图2所示,SNAP-NN势能在关键指标上以高保真度再现了DFT结果,包括低指数表面能、广义堆垛错能(GSFEs)和位错核心结构。(6)值得注意的是,与表面能、GSFEs和位错核心相关的原子配置并未包含在训练数据集中,因此对其的准确预测构成了对该势能的有意义的OOD验证。这些属性对于准确模拟微观结构演变、位错行为和断裂机制至关重要。这种与DFT的一致性在这些OOD测试中证实了该势能对RHEAs的鲁棒性和预测准确性。为了进一步提高性能,后续模拟中的相关结构将被迭代地纳入训练数据集中,从而不断改进模型。这种基于主动学习的策略确保了势能在扩展模拟中遇到的各种配置下既准确又可转移。图2还展示了将我们的SNAP–NN势能集成到LAMMPS中的ML-IAP框架中获得的代表性结果。在混合MD/MC模拟中,该势能捕捉到了Mo和Ta之间的强化学亲和力,在超过100万MC步骤后驱动了B2纳米簇的形成。位错动力学模拟显示,尽管在较高应力下边缘位错的贡献增加,但螺旋位错仍然是MoNbTaW的主要强度限制因素。该势能还使得可以直接分析排序效应和位错-簇相互作用。虽然像我们的SNAP–NN框架这样的ML-IAPs能够达到接近量子的精度,但它们的可转移性仍然是一个核心挑战。为特定化学性质、温度或缺陷状态训练的势能在外推到未见过的配置时可能会失去保真度。类似的框架,如矩张量势能(MTP)、(40)深度势分子动力学(DeepMD)、(41)NequIP、(42)和M3GNet,(43)也面临类似的限制,这突显了需要多样化的、主动学习的数据集来采样平衡态和非平衡态的原子环境。在当前研究中,可转移性在固定化学性质的情况下已经在相关范围内得到了证明,例如位错特性、应力和温度,而跨成分或根本不同缺陷类别的外推仍然是一个未解决的挑战。实际上,这种OOD行为可以通过明确的训练-测试分割(例如,留出温度或缺陷状态)来评估,并使用考虑不确定性的主动学习来识别需要额外数据的范围。此外,对于SNAP–NN这样的ML-IAPs,可以使用委员会或基于集成的不确定性估计来评估其可靠性,其中在重叠数据集上训练的模型之间的预测方差可以作为外推行为的一个实际指标,并指导有针对性的数据丰富。SNAP形式主义的一个主要优点是它能够保持原子环境的旋转、排列和平移对称性。这种数学上严谨的构造确保了两个物理上等效的配置产生相同的描述符,防止了学习过程中的非物理不对称性或伪影。此外,从双谱分量到原子能量的神经网络映射保持了广延性和能量守恒,这对于稳定的MD模拟至关重要。相比之下,去除保持对称性的描述符会导致非物理的能量简并和不稳定的MD轨迹。尽管有这些内置的物理约束,ML-IAPs仍然面临时间尺度限制。即使使用高保真度的势能,直接MD也无法达到与扩散、蠕变或位错攀移相关的微秒到毫秒范围。为了解决这个问题,正在进行的工作将ML-IAPs与加速动力学技术或基于数据的粗粒度替代方法结合起来,从原子尺度输入外推缓慢过程。在这种情况下,基于机制的ML提供了一种平衡的途径,将物理保真性与计算效率结合起来。3.3. 图神经网络加速的蒙特卡洛模拟局部排序蒙特卡洛(MC)模拟广泛用于探究高温合金(HEAs)中化学配置的热力学演变,揭示了如SRO、相分离和聚集等现象。然而,多组分系统中庞大的配置空间使得传统的MC模拟在计算上非常昂贵。为了解决这一挑战,我们开发了一个基于物理的图神经网络(PIGNN)来加速MC模拟,(7)如图3所示。PIGNN将局部原子环境表示为图,并通过显式结合BCC晶格对称性来预测原子属性,如势能。这种定制的架构将三体相互作用简化为来自第一和第二近邻的贡献,通过连接的节点特征和线性变换进行编码,并结合结果来预测中心原子的能量。这种对称性感知的设计提高了基于BCC合金的准确性和效率,尽管对非立方系统的通用性有所降低。图3图3. 基于物理的图神经网络(PIGNN)框架,用于高效探索多组分HEAs中的排序状态。(a)晶体结构中的三体相互作用示意图及其对应的PIGNN架构。(b)PIGNN模型和由PIGNN驱动的gnnMC模拟的验证结果。(c)等原子MoNbTaW BCC RHEAs的局部排序演变,显示从随机配置到有序状态的转变。经参考文献(7)许可复制。版权所有2026年Elsevier Ltd。高分辨率图像下载MS PowerPoint幻灯片在10折交叉验证下的基准测试(图3(b))显示,与其他标准GNN模型(如GraphConv、GCNConv、MPNN、SchNet和DimeNet)相比,PIGNN实现了最低的MAE,为10.23 meV/原子。GNN模型在RTX 3090 GPU上训练了1000个周期,批量大小为1。训练数据集包含2103个数据点,验证数据集包含234个数据点。在所有模型中,GraphConV的训练时间最短,为83分钟,其次是PIGNN,为89分钟。GCNConv和MPNN分别需要154分钟和178分钟。SchNet用了425分钟,DimeNet的训练时间最长,为744分钟。值得注意的是,缺乏结构先验的纯数据驱动GNN架构在应用于未见过的排序状态或热力学条件时表现出较差的外推能力。这些结果激发了使用基于物理的架构的动机,其中对称性、广延性和热力学一致性作为归纳偏见,显著提高了鲁棒性和泛化能力。当集成到蒙特卡洛模拟(gnnMC)中时,PIGNN模型用快速预测取代了昂贵的能量评估。gnnMC对等原子MoNbTaW的100万步模拟在能量演变和Warren–Cowley参数上与LAMMPS结果非常吻合。图3(c)显示了局部排序演变:随机配置演变为类似B2的Mo–Ta纳米域,与热力学预测一致。运行时间比较显示,gnnMC在GTX1660Ti上快83倍,在RTX3090上快418倍,从而实现了在成分空间中的高效探索。尽管没有显示PIGNN预测的显式不确定性范围,但通过交叉验证、与原子级MC结果的对比以及对排序演变的敏感性来隐式评估模型可靠性,提供了对训练域内预测稳定性的实际诊断。虽然PIGNN框架在BCC基系统内的排序状态和热力学条件上具有有效的泛化能力,但其在该领域之外的可转移性取决于训练数据的覆盖范围。在当前工作中,泛化能力在固定晶格对称性内的局部排序配置和MC采样轨迹上得到了证明,同时也通过大样本验证得到了证明,其中在小单元格上训练的模型能够准确预测更大配置的能量学。此外,底层的PIGNN架构已经通过针对特定结构的数据集重新训练,证明该方法不限于单一晶体结构。更广泛地说,对受限训练子集的交叉验证和不确定性感知的诊断,如SNAP–NN和PIGNN的集合或委员会方差,提供了识别超出可靠预测范围的配置的实际工具,并指导有针对性的模型改进。这些模型类别的实现细节和代表性的不确定性量化策略在支持信息中提供。3.4. 位错机制和基于机制的合金设计BCC RHEAs(如NbMoTaW及其衍生物)中的塑性变形主要由位错的运动和相互作用控制。与通常由热激活的螺旋位错滑移控制的稀薄BCC金属不同,最近的研究表明,由于复杂的原子环境,边缘位错在RHEAs中扮演着越来越重要的角色。(4)在BCC RHEAs中,化学无序和局部晶格畸变引入了滑移阻力的强烈空间变异性,为位错运动创造了崎岖的能量景观。(6)如图4(a1)所示,扭结对不仅可能在最大解析剪切应力平面(MRSSP)上形成,也可能在非MRSSP平面上形成,从而导致交叉扭结的形成。应力的进一步增加允许通过形成空位和间隙原子来打破交叉扭结。这种交叉扭结的释放过程成为RHEAs中螺旋位错运动的速率控制机制。同时,边缘位错的移动性受到纳米级段释放的控制(图4(a2))。边缘位错线采用曲折的形态来占据局部有利的位点。随着施加的剪切应力的增加,位错段弯曲并从这些低能量配置中脱离,从而实现滑移。图4图4. (a) 螺旋位错和边缘位错的运动机制,(b) 螺旋位错和边缘位错的相对移动性,(c) 螺旋位错与边缘位错的临界解析剪切应力(CRSS)比率,(d) MoTa B2相的空间分布,以及(e) 代表性BCC RHEAs中位错与B2沉淀物之间的相互作用。经参考文献(6)许可复制。版权所有2024年Elsevier Ltd。高分辨率图像下载MS PowerPoint幻灯片图4(b)显示了化学排序对MoNbTaW RHEA系统中位错移动性的影响。在等原子Mo25Nb25Ta25W25中,局部排序降低了螺旋位错的移动性,但对边缘位错的移动性影响可以忽略不计。在Nb富集的Mo25Nb40Ta25W10中,局部排序显著降低了边缘位错的移动性,缩小了螺旋位错和边缘位错之间的差异。在有序合金中分散的B2沉淀物(图4(d))固定了边缘位错,同时促进了螺旋位错的交叉滑移(图4(e)),降低了螺旋位错与边缘位错的临界解析剪切应力(CRSS)比率。因此,有序的Mo25Nb40Ta25W10 RHEA表现出较低的螺旋位错与边缘位错的CRSS比率(图4(c))。降低螺旋位错(screw dislocations)与边缘位错(edge dislocations)之间的CRSS比和滑移差异有望通过促进位错增殖和相互作用来提高塑性。体心立方(BCC)金属玻璃(RHEAs)中的局部有序结构对位错移动性和机械性能有重要影响。有序结构会增加扩散反相边界能(DAPBE),这成为螺旋位错滑移的强大障碍并增强强度。其对边缘位错移动性的影响也取决于有序结构如何改变晶格畸变。通过同时调整DAPBE和晶格畸变差异(LDD),可以调节有序RHEAs的滑移阻力。利用我们在高通量蒙特卡洛(MC)框架内开发的PIGNN模型,我们系统地探索了MoNbTaW成分空间中的局部有序状态(图5(a))。例如,Mo45Nb5Ta45W5形成了粗大的Mo–Ta B2晶域(图5(b)),具有最高的DAPBE但晶格畸变较小。相比之下,Mo25Nb55Ta15W5表现出双模BCC–B2微观结构,具有中等DAPBE和增加的晶格畸变(图5(c)。
图5. 在MoNbTaW RHEA系统中降低螺旋位错与边缘位错阻力比的高通量筛选。(a) 系统中DAPBE和晶格畸变差异的分布。(b) 有序的Mo45Nb5Ta45W和(c) Mo25Nb55Ta15W RHEAs的原子构型。(d) 边缘位错滑移阻力,(e) 螺旋位错滑移阻力,以及(f) 螺旋位错与边缘位错阻力比,均针对DAPBE和晶格畸变差异绘制。经参考文献(7)许可复制。版权所有2024 Elsevier Ltd。
高分辨率图像下载MS PowerPoint幻灯片
位错模拟(图5(d, e)显示,高DAPBE和负LDD显著提高了螺旋位错阻力以及螺旋位错与边缘位错的CRSS比,而正LDD和中等DAPBE则降低了CRSS比。在有序结构中,DAPBE和晶格畸变都得到增强的合金(如Mo25Nb55Ta15W5)能够实现CRSS比低于2,从而促进螺旋位错和边缘位错的平衡活动,实现更均匀的塑性流动,并在不牺牲强度的情况下提高延展性。我们的计算框架将PIGNN与高通量MC采样相结合,能够高效地探索广泛的成分空间中的局部有序状态,并将其系统地与位错机制和机械性能联系起来。这一发现为优化RHEAs提供了一种基于机制的途径:通过调整DAPBE和晶格畸变差异来平衡滑移阻力,实现强度-延展性的协同优化。类似的策略也通过数据驱动的位错移动性模型和基于物理的本构关系得以发展,反映了朝着基于原子尺度无序的可解释定量设计规则发展的趋势。特别是Tian等人开发的基于物理的图神经网络框架(31),通过将不确定性量化驱动的主动学习与基于图的位错网络表示相结合,直接从原子模拟中学习位错移动性规律,同时保留了应力、温度和位错特性的影响。这种方法展示了基于物理的学习如何自主地连接原子尺度的机制和介观尺度的本构行为,推动了复杂合金的预测性和可解释的多尺度模型的发展。
这个金属玻璃(HEA)案例研究展示了机器学习(ML)增强型多尺度建模如何提供关于化学有序性、位错移动性和机械性能之间相互作用的机制洞察。SNAP–NN原子间势能、PIGNN加速的构型空间采样以及基于位错的高通量探索揭示了有序性和畸变如何共同决定塑性和强度-延展性之间的权衡。这些方法展示了ML在加速HEA设计方面的潜力,使得能够在广泛的成分空间中进行预测性探索。然而,仍然存在重要挑战,特别是在数据稀缺性、跨化学性质的可转移性以及预测的有序性和缺陷行为的实验验证方面。
4. 金属玻璃
4.1. 非晶结构与独特的变形模式
金属玻璃(MGs)是一类先进的结构材料,其特点是具有非晶原子结构,通过快速淬火金属液体来避免结晶形成。与具有长程周期性的晶体金属不同,MGs具有拓扑和化学无序性,只有短程有序(SRO)和中程有序(MRO)定义了它们的局部原子环境。这种无序结构导致了一系列独特的性能组合,包括高强度、大的弹性极限和优异的耐腐蚀性。然而,缺乏晶体缺陷(如位错)从根本上改变了MGs的变形方式。MGs的变形是通过纳米尺度区域内的局部、不可逆的原子重排来实现的,这些区域被称为剪切带(STZs)。在施加应力下,这些STZs会形成、生长并合并成剪切带,这些剪切带是剪切应变的强烈区域,通常主导塑性响应。MGs的变形高度不均匀且应变局部化,特别是在室温下,剪切带可能导致灾难性失效。这种局部化源于几个耦合因素。结构异质性起着核心作用,因为原子排列松散或自由体积较大的区域更容易激活STZs。弹性对比度进一步促进了变形,局部刚度的变化导致应力集中和载荷分布不均。此外,热软化和应变率敏感性加剧了不稳定性;MGs在剪切作用下迅速软化,导致流动不稳定和剪切局部化。尽管存在这些挑战,但在某些条件下,例如引入纳米尺度异质性或相分离,或在高压或高应变率加载下,MGs可以表现出增强的延展性。因此,理解和预测不同尺度上STZs和剪切带的形成、演变和相互作用对于设计更坚韧、更耐损伤的MGs至关重要。随着机器学习的兴起,出现了新的机会来识别流动缺陷、量化局部结构-性能关系,并开发基于物理的替代模型,为MGs的多尺度建模带来了新的见解和计算效率。
4.2. 用于STZ预测的机器学习
MGs的结构状态强烈依赖于它们的热历史,特别是从熔体冷却的速度。MGs的变形源于热激活和机械加载的相互作用,这可以在势能景观(PEL)框架内进行解释,如图6(a)所示。在这种情况下,β过程对应于局部原子重排(例如STZs),而α过程涉及更大规模的构型变化,导致宏观变形。使用激活-松弛技术(ART),我们系统地探索了在不同冷却速率下形成的Cu64Zr36 MGs中的热激活事件。图6(b)表明,激活能分布随着冷却速率的增加而变宽和移动,反映了缓慢冷却样品的结构稳定性和异质性的增加。相比之下,松弛能分布对冷却速率基本上不敏感,表明鞍点状态配置与初始状态解耦。
图6. 用于MGs中STZ预测的机器学习。(a) 势能景观(PEL)示意图,展示了β过程(局部原子重排/STZs)。(b) 在不同冷却速率下制备的Cu64Zr36金属玻璃中热激活事件的激活能和松弛能分布。(c) 使用基于LinearRANSAC的异常值识别方法检测STZs。经参考文献(8,49)许可复制。版权所有2020 Elsevier Ltd。(参考文献(49)采用知识共享署名4.0国际许可协议。)
为了从ART事件中识别STZs,我们开发了一种基于线性机器学习的异常值检测方法,使用LinearRANSAC算法。通过逐步增加相对残差阈值参数来识别异常值原子(图6(c))。采用两步基于斜率的收敛标准来确定异常值原子数量何时稳定。基于对约4000个过滤事件的全面参数扫描,选择了一个通用阈值0.54,以确保所有样本的一致收敛。该模型无需依赖预定义的物理规则即可识别参与热激活重排的原子簇。它在数千个事件中表现出鲁棒性和一致性,捕捉到了协同运动和STZ尺寸分布的关键特征。平均STZ尺寸随着冷却速率的降低而适度增加,表明结构松弛与变形载体的空间范围之间存在联系。我们的方法适用于广泛的非晶系统,并在开源软件包ART_data_analyzer中实现,能够从热激活事件模拟中进行大规模和自动化的STZ表征。虽然基于STZ的模拟提供了机制性理解,但它们通常依赖于粗粒度参数(例如STZ密度、激活阈值和软化系数),这些参数难以直接从原子配置中确定。机器学习作为一种补充工具,能够自动识别流动缺陷,改进介观模型的参数化,并提高剪切带模拟的预测准确性。除了我们自己的工作外,最近的一些研究也使用互补的机器学习策略推进了这一方向。“集成玻璃缺陷”框架(30)将各种缺陷描述符统一为一个连贯的局部激发图景,而无监督的结构聚类(29)自动分类与流动倾向相关的原子模式。此外,深度学习模型已经开始捕捉无序固体中的原子塑性机制和动态机械响应(28,51),为完全数据驱动的玻璃变形探索提供了途径。这些研究共同展示了机器学习如何揭示非晶无序中的隐藏结构,连接了局部配置和机械响应。
4.3. 用于剪切带行为的介观尺度建模
为了理解MG中的局部STZ事件如何演变成宏观剪切带,我们基于STZ动力学开发了一个介观尺度模型框架。STZs代表在外加载荷下经历特征性非弹性剪切变形的局部原子簇。在这里,每个STZ都被粗粒化并映射到一组有限元素上,从而能够在连续体网格上高效表示局部原子重排。该模型将有限元方法(FEM)求解器(用于捕捉长程弹性相互作用和应力重分布)与动力学蒙特卡洛(kMC)算法相结合,根据它们的转换概率随机激活STZs。使用过渡态理论计算未剪切到剪切的转换率,使激活过程受到热和机械驱动。这种随机处理允许模型达到比传统分子动力学(MD)更长的时间尺度,同时保留了关键的微观物理特性。通过解决STZ活动的空间和时间相关性,该模型再现了玻璃塑性的基本特征,包括剪切带的形成、传播和相互作用,提供了对实验中观察到的不均匀变形的物理洞察。
图7展示了我们的模型如何通过结合初始结构异质性来探究局部弹性波动对集体变形不稳定性的影响。使用集成的多尺度建模框架,我们将原子尺度异质性与MGs中的宏观剪切带联系起来。图7(a)中的原子模拟识别了纳米尺度软点并量化了局部剪切模量的波动。在Cu64Zr36中,我们发现了一个高度异质的高斯型模量分布,分布的软尾部表现出强烈的非弹性剪切转变倾向。在此基础上,图7(b)中的介观STZ动力学模型显示,纳米尺度STZ事件的空间组织强烈依赖于局部剪切模量的空间相关性。一个最佳的弹性异质性相关长度对于拉伸延展性至关重要,标志着剪切带形成机制的转变,即从应力驱动的成核和生长到结构决定的应变渗透,以及弹性软位点在塑性流动中的参与饱和(图7(c))。这一发现提供了关于空间异质性如何控制MGs变形行为的基本见解,并为通过定制结构异质性设计延展性高的MGs提供了指导。
图7. 在纳米尺度异质性存在下MGs的剪切弯曲的多尺度建模。(a) Cu64Zr36的原子模拟揭示了纳米尺度软点和异质剪切模量分布。(b) 介观STZ动力学显示剪切带的组织依赖于弹性异质性的相关长度。(c) 最佳相关长度最大化了延展性,标志着从应力驱动的成核到结构决定的应变渗透的转变。经参考文献(11)许可复制。采用知识共享署名4.0国际许可协议。
4.4. 用于双相MG纳米结构的机器学习替代建模
使用机器学习进行替代建模是一种高效的方法,可以探索MGs的广泛设计空间,特别是通过纳米尺度结构工程来提高延展性。一个有前景的途径是设计双相纳米结构,其中受控的异质性(如聚集、相分离或纳米尺度夹杂物)调节剪切带的形成。为了探索MGs的广泛设计空间,我们开发并应用了一个机器学习替代建模框架,该框架将介观STZ动力学模型与数据驱动的优化相结合,作为我们持续工作的一部分。在这个示例中,一个人工神经网络(ANN)在系统变化夹杂物模量、尺寸、体积分数和基体异质性的双相非晶纳米结构数据库上进行了训练。ANN模型在屈服应力上的平均绝对百分比误差低于3%,在流动应力上低于2%,在屈服后应力下降上低于6%,准确预测了设计空间中的机械响应。这个示例包括在内,以展示替代建模工作流程及其与介观力学的集成。为了确保模型的可靠性和可解释性,采用了蒙特卡洛dropout方法进行不确定性量化(UQ),生成了评估每个预测可信度的置信区间。将这种替代模型与遗传算法(GA)结合使用,识别出最佳架构,即具有中等体积分数的软质夹杂物,并嵌入到异质矩阵中,这可以最小化应变局部化并促进多个剪切带的形成。图8(c)中展示的GA优化案例说明了UQ的重要性。对于案例2-4,不确定性区间较窄且与STZ模拟结果紧密对齐,表明模型具有高置信度和强大的预测可靠性。这些案例准确捕捉了屈服应力和流动应力,其应力-应变曲线均位于预测的置信区间内。相比之下,案例1的不确定性区间较宽,ANN预测与STZ模拟之间的偏差较大,反映了模型置信度的降低。因此,UQ作为一种关键的诊断工具,可以识别出不太可靠的预测,并指导对替代模型的针对性改进。
图8展示了用于探索双相非晶合金纳米结构的基于数据的框架。(a, b) ANN替代模型用于将微观结构参数变化下的介观尺度STZ动力学模拟输出进行映射。(c) 展示了GA引导的设计空间探索。案例1的特点是不确定性较大,通过优化演变为案例2-4,这些案例的不确定性减小且屈服后应力下降最小。
为了验证这一预测,我们的工作重点在于合成能够潜在复制这些预测纳米结构的双相非晶合金,特别是在高熵非晶体系中。我们开发了一个基于三元和五元合金组合数据的ANN模型,包括磁控溅射的MGs。(57,58) 该模型在留一合金系统外验证中实现了较低的均方根误差,并证明了基于CoCrFeNi系统的强鲁棒性(图9(a))。模型引导的探索显示,添加Al或Cu并不能增强玻璃形成能力(GFA),而Mn尤其是Mo显著提高了GFA,小量Mo添加时预测的GFA峰值接近0.95(图9(b))。通过磁控共溅射CoCrFeNi–Mo薄膜的实验验证证实了从晶体到非晶行为的转变。XRD图案和HRTEM分析表明,增加Mo含量会诱导非晶化,在中等组成(例如CoCrFeNi–Mo13)下,会出现双相纳米结构,其特征是纳米晶衍射环嵌入在非晶基质中(图9(c))。
在本工作中,这个实验示例代表了模型引导的验证,其中机器学习(ML)预测指导合成和表征,而不是完全自主的闭环优化。下一步是建立建模、合成和表征的闭环集成,使实验反馈不断改进ML和介观尺度模型。这种方法将实现具有设计微观结构和定制机械性能的非晶合金的定向合成,实现数据驱动的材料设计路径。
本节强调了ML在推进多尺度建模和MG设计中的作用。从识别STZ和预测剪切带演变到构建纳米结构设计的替代模型以及预测GFA,ML方法显著扩展了我们对非晶材料的理解和工程能力。这些方法展示了如何通过整合原子级洞察、介观尺度建模和替代ML框架来实现更强、更延展的非晶合金的机制导向设计。
5. 挑战与未来方向
ML和多尺度建模的整合正在重新定义材料科学家处理无序性的方式,但要充分发挥其潜力,需要克服几个持续的挑战。进展不仅取决于提高准确性,还取决于实现数据的完整性、模型的可转移性、物理可解释性以及与实验的无缝耦合。
5.1. 数据限制和远离平衡态数据库的开发
一个核心障碍是高保真度多尺度数据集的稀缺性。HEAs和MGs涵盖了巨大的组成和配置空间,但现有数据是碎片化的、特定于系统的,并且准确性往往不一致。跨从头算、原子尺度和实验来源的数据整合由于分辨率、保真度和噪声的差异而变得更加复杂。生成大型、多样化的数据集成本高昂,因为量和原子模拟既昂贵又范围狭窄。此外,标记无序特征(如位错类型或STZs)本质上是模糊的,使得监督学习变得困难。
大多数现有的数据库和ML-IAPs都是为接近平衡态的结构和能量开发的。相比之下,建模机械行为需要准确描述远离平衡态的材料,在这种状态下变形和缺陷演变占主导地位。因此,许多当前的数据集和势能还不适合预测弹性属性、缺陷能量或变形路径,而这些对于设计与先进制造相关的组成剖面和加工路线至关重要。
展望未来,进展取决于构建多保真度、远离平衡态的数据库,这些数据库能够跨尺度耦合原子结构、动力学和机械响应。主动学习工作流程可以引导数据生成到未探索的高不确定性配置区域,而迁移学习方法可以利用现有的平衡态数据来指导非平衡态下的行为。整合实验输入(如原位衍射、纳米力学测试或高通量测量)将进一步将模拟与现实联系起来。开发这样的综合性、基于物理的数据集将为下一代机制导向的ML模型提供基础,这些模型能够在真实的变形和加工条件下预测材料性能。
5.2. 可转移性、可解释性和跨尺度挑战
尽管在特定系统中实现了接近量子的准确性,当前的ML模型在化学性质、温度和缺陷状态方面的可转移性仍然有限。为狭窄领域训练的势能在应用于新配置或动力学范围时常常失败。进展将依赖于自适应的、基于机制的学习,其中主动或即时重新训练随着模拟和实验揭示新的结构模式而不断扩展训练数据集。更广泛地说,可转移性和不确定性量化在ML-IAPs、基于图的模型和替代框架之间紧密耦合。基于集成的不确定性估计、主动学习和有针对性的数据丰富提供了一种共同策略,用于识别领域外行为并指导模型改进。这些方法共同定义了一条通往可靠多尺度建模的实际路径,在已知范围内证明的预测准确性可以系统地扩展到更广泛的化学、结构和热力学空间。
提高可解释性同样关键。将物理约束(如对称性、能量守恒和热力学一致性)嵌入ML架构中,可以将黑箱预测器转变为透明且基于物理的模型。新兴的方法,如基于物理的神经网络和等变图网络,展示了如何通过物理先验来提高准确性和可靠性。
长期方向是朝着分层、混合建模框架发展,这些框架将ML势能与介观尺度和连续介质模型在统一的不确定性量化下耦合。例如,基于从头算数据训练的ML-IAPs可以为位错动力学或基于STZ的模型提供参数,这些模型的参数(如移动性定律(31)或激活能垒)通过贝叶斯推断不断更新。在连续介质尺度上,数据驱动的本构关系受到这些物理导出参数的约束,并根据实验应力-应变曲线进行验证。类似的多层次工作流程展示了如何通过跨尺度整合ML准确性、机制保真性和量化不确定性来实现不仅具有预测性,而且在实际服务条件下也可解释和可转移的模型。
5.3. 长期和多物理现象
实际应用要求合金在恶劣环境中长期保持性能。将ML-多尺度框架扩展到短期变形之外,以捕捉长期和多物理现象的退化(包括疲劳、蠕变、辐照损伤和热老化)对于预测性设计至关重要。这些过程涉及广泛的时间和能量尺度,并涉及难以直接模拟的耦合机械、化学和热效应。
未来的工作可以集中在基于物理的、多时间尺度的ML模型上,这些模型在加速测试和环境暴露数据上进行训练。将化学力学耦合嵌入ML框架将允许预测氧化、腐蚀和脆化,这些因素控制着长期耐久性。最近在模拟摩擦腐蚀(59)和高温超合金中自润滑氧化物的形成(60)方面的进展体现了这一方向。捕捉这些耦合机制对于将ML引导的合金发现转化为适用于航空航天、能源和核系统的实用材料至关重要,其中长寿命对于初始性能至关重要。
5.4. 实验整合和机制导向设计
在模拟无序合金方面实现预测能力最终需要计算和实验之间的紧密整合。虽然ML和多尺度模拟可以快速探索广泛的组成和结构空间,但它们的预测必须基于实验现实。对于HEAs,直接验证原子排序、缺陷动力学和相稳定性仍然具有挑战性,因为相关波动发生在纳米和微秒尺度上。在MGs中,解析变形过程中的STZs或纳米尺度异质性的演变同样困难。弥合这些差距需要原位和高通量实验的协调努力。
最近在组合合成和先进表征方面的进展为这种整合奠定了基础。诸如增材制造、高通量X射线衍射和4D电子显微镜等技术可以生成和探测组成梯度,揭示局部结构-属性关系。这种整合的下一步是出现自主实验室和AI驱动的决策框架,这些框架实时连接合成、表征和建模。在这些系统中,ML模型实时分析实验结果,更新预测替代模型,并自主选择下一组组成或加工参数进行探索。这些自我驱动的工作流程将合金发现从一个顺序过程转变为一个连续的、自适应的循环,每次迭代都提高数据质量和物理理解。在这个循环中嵌入不确定性量化和基于机制的约束确保决策在物理上有意义,同时最大化效率。最终,自主实验、多尺度模拟和基于机制的学习的融合将定义材料研究的新范式,其中通过智能、数据驱动的设计而非手动试错来控制无序性。
6. 结论
ML与多尺度力学的整合为理解和设计无序结构材料开辟了新的途径,特别是HEAs和MGs。尽管这些系统在形式上有所不同(即HEAs中的化学无序和MGs中的结构无序),但它们面临一个共同的挑战:它们的机械行为源于原子级别的复杂性,这挑战了传统建模。通过我们的努力,我们试图通过结合数据驱动的学习和机制洞察来控制这种无序性,将随机变异性转化为可量化的结构-属性关系。
在HEAs中,ML原子间势能以接近量子的准确性捕捉了化学短程有序、晶格畸变和位错运动之间的相互作用,揭示了这些因素如何共同控制强度和延展性之间的平衡。基于物理的图神经网络将热力学采样加速了几个数量级,使得能够系统地探索组成景观和局部有序状态。在MGs中,基于ML的异常值检测揭示了STZs的原子起源,而介观尺度STZ动力学模型与替代神经网络和优化算法相结合,阐明了弹性异质性如何组织剪切带以及纳米结构设计如何减轻应变局部化。
在这两类材料中,一个一致的教训是:当ML与物理结合时最为强大。机制导向的学习框架确保预测结果保持可解释性、可转移性和物理一致性。这些工具共同构建了从量子力学到连续介质行为的连贯图景,展示了原子无序如何在宏观性能中表现出来。
展望未来,下一步是将这些策略嵌入到闭环实验-模拟-ML工作流程中,使模型能够随着新数据的出现而持续进化。扩展到长期和多物理现象(如蠕变、疲劳、腐蚀和氧化)将进一步扩展它们的实际相关性。最终,ML和多尺度力学的融合不仅仅是一种计算上的进步:它标志着将无序性视为设计维度的一个概念性转变。通过这一视角,控制无序性成为通过智能、数据驱动的设计来实现持久、高性能材料的途径。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号