《Journal of Non-Crystalline Solids》：A high-throughput experiment and machine learning-integrated approach for rapid delineation of the glass-forming range: a case study of the B2O3–La2O3–BaO system
编辑推荐：
准确高效确定玻璃形成区是优化新型玻璃性能的基础，但传统试错法耗时费力。本研究通过高通量熔淬实验结合六种机器学习模型（支持向量机、随机森林、极端梯度提升、高斯过程分类、人工神经网络、K近邻），在B?O?–La?O?–BaO三元系统中验证了随机森林模型的最佳预测性能，并通过±2 mol%边界内的20组实验验证，发现La?O?显著抑制玻璃形成而B?O?有促进作用，SHAP分析揭示了成分贡献机制。
作者：朱月阳、张阳、赵轩、张美伦、王凯、蔡华、李翔、李开明、刘慧
单位：广西大学物理科学与技术学院，中国广西南宁530004
摘要
准确高效地确定玻璃形成区域是设计和优化新型玻璃系统性能的基本前提。然而，传统的试错方法仍然耗时且成本高昂。在本研究中，通过将高通量实验与机器学习相结合，开发了一种快速识别玻璃形成区域的方法，并使用研究较为深入的B?O?–La?O?–BaO三元体系对该方法进行了验证。首先通过高通量熔融淬火实验确定了大致的玻璃形成区域，然后将实验数据作为训练集，开发了六种机器学习分类模型，包括支持向量机、随机森林、极端梯度提升、高斯过程分类、人工神经网络和K近邻算法。系统比较表明，随机森林模型具有最佳的预测能力。为了评估预测玻璃形成边界的可靠性，选取了20个成分，这些成分的组成在预测边界±2摩尔%范围内，进行实验验证，结果显示模型预测与实验结果吻合良好，证实了所提出方法在快速划分玻璃形成区域方面的有效性。进一步采用SHapley加性解释（SHAP）可解释性分析来解释随机森林模型的预测结果。结果表明，La?O?对玻璃形成具有强烈的抑制作用，而B?O?则表现出明显的促进作用。本研究不仅为B?O?–La?O?–BaO体系的成分设计提供了可靠的参考，还展示了数据驱动方法在加速复杂玻璃材料探索与开发方面的潜力。
引言
玻璃由于其优异的光学透明度、机械性能和化学稳定性，在材料科学及相关领域发挥着重要作用[[1], [2], [3]]。因此，它们被广泛应用于光学器件[4,5]、核辐射屏蔽材料[[6], [7], [8]]、电子元件[9,10]以及许多其他技术领域。随着应用需求的不断扩展，玻璃材料越来越需要具备更强的多功能性能。在这种需求下，许多传统玻璃体系逐渐暴露出固有的局限性，从而推动了新型玻璃成分的开发。在核能、医学诊断和辐射防护技术中，玻璃需要同时具备高效的中子和γ射线衰减能力、高强度以及良好的化学耐久性。这些日益严格的要求促使人们将硼、稀土氧化物或高原子序数元素引入玻璃网络中，以构建综合性能更优的新玻璃体系。在新玻璃体系的开发过程中，快速准确地确定玻璃形成区域通常是关键的初始步骤。只有明确识别出能够形成稳定玻璃的成分范围，才能有效地进行后续的光学、热学、机械或辐射屏蔽性能的优化和机理研究[[11], [12], [13]]。
目前，划分玻璃形成区域仍然依赖于大量的试错实验[[14], [15], [16], [17], [18]]。这种方法不仅耗时，而且研究成本较高。此外，确定玻璃形成区域本身就非常复杂。特别是在玻璃形成边界附近，不同的成分组合往往表现出明显的过渡特性，仅通过点对点的实验探索难以获得稳定可靠的划分结果[19]。因此，迫切需要一种高效准确的预测方法来减少实验工作量并加速新型玻璃材料的开发。近年来，机器学习已成为材料设计和开发中的强大工具[[20], [21], [22], [23], [24]]。机器学习模型可以从现有数据中学习潜在规律，并对未探索的成分进行预测，从而提高研究效率。尽管机器学习已被应用于预测玻璃的光学、热力学和机械性能[[25], [26], [27], [28]]，但专门针对氧化物玻璃中玻璃形成区域预测的系统研究以及针对性的实验验证仍然较少。
鉴于上述挑战，本研究开发了一种通过将高通量实验与机器学习相结合的快速方法来划分玻璃形成区域，并选择了B?O?–La?O?–BaO三元体系作为验证系统。在该体系中，B?O?作为典型的网络形成剂，而La?O?和BaO在玻璃结构中起不同的修饰作用。因此，玻璃形成行为对成分变化非常敏感，玻璃形成区域相对狭窄，为验证所提出的方法提供了具有代表性和挑战性的场景。首先通过高通量实验快速筛选出广泛成分范围内的大致玻璃形成区域，然后在玻璃形成区域附近的有限区域内进行补充实验，以获得描述玻璃形成行为的高质量数据集。该数据集用于训练多个分类模型，并使用多种评估指标对其预测性能进行了系统评估，并比较了预测的玻璃形成图谱。根据评估结果，选取了20个成分进行实验验证，这些成分的组成在预测玻璃形成边界±2摩尔%范围内。此外，引入了SHAP可解释性分析来解释表现最佳模型的预测结果。从成分贡献的角度来看，不同氧化物成分对玻璃形成行为的相对影响得以揭示，为玻璃形成区域的识别提供了可解释的支持，并为后续的玻璃成分设计提供了指导。本研究旨在提供一种高效可靠的数据驱动方法，用于快速划分该体系中的玻璃形成区域，同时展示了机器学习在预测复杂氧化物玻璃体系玻璃形成行为方面的应用潜力。
样本制备
样品制备
采用熔融淬火方法制备了一系列xB?O?–yLa?O?–(100?x ? y)BaO样品，其中x和y的取值为10、20、30、40、50、60、70、80和90摩尔%。使用高纯度硼酸（H?BO?）、氧化镧（La?O?）和碳酸钡（BaCO?）作为原料，每种成分的总批量为30克。为了提高实验效率，采用了高通量熔炼配置，七个铂金坩埚同时进行熔炼过程。
熔炼实验及结果
按照2.1节描述的程序，在B?O?–La?O?–BaO三元体系中制备了75个不同成分的样品。其中14个样品形成了透明的玻璃态样品，其余61个样品被归类为非玻璃形成样品，表明该体系的玻璃形成区域相对狭窄。图2显示了三元成分空间中玻璃形成样品和非玻璃形成样品的分布情况。
结论
本研究建立了一个将高通量实验与机器学习相结合的研究框架，利用少量数据集快速划分三元成分玻璃体系的玻璃形成区域，为传统的基于试错的方法提供了一种有效的替代策略。
通过高通量熔炼实验，该方法首先进行均匀的成分采样。
资金来源
本工作得到了基于玻璃的功能材料技术创新中心（项目编号GFMTIC2025C06）和枣庄科技创新项目（科技发展计划）（项目编号2024GX17）的支持。
作者贡献声明
朱月阳：撰写——原始稿件、验证、方法论、数据分析。张阳：监督、资源提供。赵轩：撰写——审稿与编辑、验证、方法论。张美伦：数据分析。王凯：数据分析。蔡华：监督。李翔：数据分析。李开明：数据分析。刘慧：撰写——审稿与编辑、验证、监督、资源提供、项目管理、方法论、资金获取。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
作者感谢基于玻璃的功能材料技术创新中心（项目编号GFMTIC2025C06）和枣庄科技创新项目（科技发展计划）（项目编号2024GX17）的支持。
