《International Journal of Refractory Metals and Hard Materials》:An active learning-driven framework for constructing thermodynamic database of tungsten-based alloys
编辑推荐:
郑千辰|周佳涛|施杰|李作生|唐赛|梁超平|黄宇峰|马云竹|刘文生中国长沙410083,中南大学高强度结构材料科技国家重点实验室摘要高密度钨合金在诸多领域具有至关重要的战略意义,但其发展却因缺乏可靠的多组分热力学数据库而受到限制。对于这类难处理材料体系,实验测量往往面临巨大挑战;
郑千辰|周佳涛|施杰|李作生|唐赛|梁超平|黄宇峰|马云竹|刘文生
中国长沙410083,中南大学高强度结构材料科技国家重点实验室
摘要
高密度钨合金在诸多领域具有至关重要的战略意义,但其发展却因缺乏可靠的多组分热力学数据库而受到限制。对于这类难处理材料体系,实验测量往往面临巨大挑战;而传统的基于第一性原理的CALPHAD建模则由于需要计算大量在吉布斯能量面上并无实际意义的高能量态,导致计算效率低下。为解决这一问题,我们提出了一种结合CALPHAD、主动学习与子格子简化模型的框架,该框架能够有针对性地查询靠近吉布斯能量面的数据点,从而避免对高能量态的冗余计算。再结合自动化的子格子模型简化技术,这一以主动学习为驱动的方法被成功应用于构建W-Ni-Fe-Cu-Ta-Co-Ti体系的全方位热力学数据库。基于该数据库预测的相图以及由此指导开发的新型钨合金表明,该方法不仅能保证较高的预测精度,还能显著提升数据的可获取性。更广泛地说,这一方法为复杂合金的热力学建模与设计提供了一种可扩展且通用的解决方案,尤其适用于那些实验热力学数据极为稀少的难处理材料和稀土材料体系。
引言
钨基重合金由嵌入在延性W–Ni–Fe(γ)基体中的坚硬钨颗粒组成,凭借其高密度以及出色的强度与延性平衡,被广泛应用于从航空航天部件到辐射屏蔽等高端领域[1]。然而,自20世纪70年代以来,这类材料的机械性能几乎停滞不前,难以满足现代高超音速航空航天及先进能源系统的高要求[2]。虽然合金化是提升性能的一种有效途径,我们之前的研究也表明添加钽元素可以协同增强钨晶粒的韧性并强化γ基体[3]、[4]、[5]、[6],但目前仍因缺乏可靠的钨基体系热力学数据库而难以取得系统性进展[7]、[8]、[9]。通过CALPHAD建模来构建这些数据库仍然是一项艰巨任务。钨基体系的难处理特性给实验测量带来了极大限制,使得传统的数据采集方式既耗时又成本高昂。
构建CALPHAD热力学数据库需要通过模型选择和参数优化来确定吉布斯自由能函数。子格子模型在这一过程中起着核心作用,它通过将晶格划分为相互渗透的子格子来表示长程原子有序结构。为保持物理一致性,基于Wyckoff理论的划分方法被广泛采用[10]。不过,尽管复杂相可能包含五种以上的晶体学位点,但在CALPHAD中,若使用超过四个子格子的模型,往往会导致计算量过大而难以实现[11]。这种复杂性不仅会阻碍参数优化,还会降低热力学计算的效率[11]、[12]。通常,复杂的子格子结构需要大量的实验和计算数据才能进行有效优化,而对于钨基合金而言,极高的温度进一步限制了数据的获取难度。
虽然第一性原理计算在缓解CALPHAD评估中实验数据不足的问题方面取得了显著成效[10]、[13]、[14],但将其直接应用于高维成分和结构空间时,又会带来巨大的计算挑战。在维度较低或约束条件明确的体系中,传统的基于第一性原理的工作流程效率很高。但对于包含多种成分和子格子的复杂体系,所需的端元计算量可能会变得极其庞大。尤其是,其中很多构型的形成能远高于吉布斯自由能面(即凸包)。由于这类能量上不利的端元对平衡相界的影响极小,因此在高维空间中对它们进行的大量计算实际上属于冗余工作。因此,一种能够高效筛选端元稳定性的方法对于在高维体系中识别接近凸包结构的构型至关重要。
作为全面计算之外的另一种策略,机器学习已成为材料设计领域的强大工具[15],尤其是在评估含有原子替代结构的能量特性方面[16]。在CALPHAD框架中,机器学习已被用于计算构型能量[14]、[17],确定特定成分下的相稳定性[18]、[19]、[20],以及绘制高维相图[21]。此外,基于第一性原理数据训练的神经网络势函数还被用来桥接不同长度尺度,从而从大规模分子动力学模拟中提取CALPHAD参数[22]。然而,目前的机器学习方法往往过于注重绝对点的精确度,而忽视了决定热力学驱动力的相对能量差异,这降低了预测相平衡的可靠性[23]。而且,为追求高精度而依赖庞大的第一性原理数据集,也会大大降低机器学习的效率。另一个关键问题在于,训练数据中往往包含许多远离吉布斯自由能面的样本。由于这类高能量构型对相界的影响微乎其微,为获取它们的第一性原理数据所付出的巨大计算努力实际上也是多余的。因此,亟需开发新的方法,将精确的能量差异评估与智能采样相结合,从而提升机器学习模型的预测精度与计算效率。
主动学习为弥补机器学习预测端元能量精度方面的不足提供了一种有效方案,同时不会影响计算效率。通过有针对性地选取最具信息量的数据点,而非依赖随机采样,主动学习能够不断优化模型性能。在CALPHAD领域,主动学习已成功实现了高精度的相界界定[24]、[25]。具体而言,通过将主动学习与迭代验证相结合,该方法能够优先在靠近吉布斯自由能面的区域进行采样,从而精准优化能量预测。通过将计算资源集中在这些热力学上至关重要的区域,这种方法大幅减少了依赖繁琐的从头算计算。尽管主动学习有望彻底改变热力学数据库的开发方式,但目前尚未出现专门针对端元能量特性的主动学习框架,那种既能保证点级精度又能考虑相对能量差异的框架尚不存在。一旦建立起这样的框架,必将极大提升热力学建模的效率与可靠性。
在本研究中,我们开发了一种基于主动学习的 方法,用于构建钨合金的热力学数据库。我们提出了一种创新的迭代式主动学习框架,该框架整合了数据池管理、第一性原理计算以及机器学习技术,从而加速高精度数据的获取。通过将主动学习框架与CALPHAD方法、凸包算法以及自动化的子格子模型简化技术相结合,我们成功构建了W-Ni-Fe-Cu-Co-Ta-Ti体系的全方位热力学数据库。该数据库具备极高的预测精度,为合金设计提供了巨大潜力,充分证明了基于主动学习的方法在加速热力学数据库构建方面的巨大潜力。
章节节选
构建用于热力学数据库开发的CALPHAD-主动学习-子格子简化模型框架
我们通过创新性地整合CALPHAD方法、主动学习以及子格子简化技术,构建了一个用于热力学数据库开发的框架。如图1所示,这一集成框架遵循简化的三步工作流程:首先,CALPHAD模块根据相关的文献综述和实验数据,建立针对特定相的子格子模型。在这一阶段,由于需要整合多种信息,参数空间会呈现组合式扩展趋势
复杂相的主动学习处理流程
如前所述,CALPHAD数据库中包含了大多数相的模型,其中包括那些在二元子体系中所形成的相。然而,对于那些包含三个以上子格子的复杂相,所需的端元参数数量会呈组合式增长,这就需要借助主动学习框架来高效地在高维构型空间中寻路。在主动学习处理过程中,端元的形成能可以通过密度泛函理论计算得出
数据库的评估
在本节中,我们以一种新型钨合金的设计为例,来验证所构建数据库的有效性与实用价值。利用该数据库,我们可以生成诸如对钨合金开发至关重要的W-Ni-Fe体系之类的典型相图,并将其与实验数据进行对比验证。随后,该数据库还为确定这种新型钨合金的化学成分、相组成以及烧结工艺提供了重要指导。
结论
总之,我们开发了一种基于主动学习的框架,用于高效构建钨基合金的热力学数据库。该框架整合了CALPHAD方法、基于主动学习的第一性原理计算以及机器学习预测技术,同时还采用了创新的子格子模型简化方法。这一方法系统地解决了多组分高温体系中普遍存在的数据匮乏和计算复杂性问题。主动学习这一理念
基于主动学习框架的当前局限与未来展望
目前所开发的基于主动学习框架的方法,能够通过高通量的密度泛函理论计算高效筛选端元构型,从而加速CALPHAD数据库的构建,为复杂的多组分难处理合金提供从头算的能量基础。不过,目前的实现主要基于0?K条件下的密度泛函理论能量计算,且采样策略是基于能量值来确定的,这可能无法完全捕捉到那些在能量上虽稍有差异但具有实际物理意义的构型
CRediT作者贡献说明
郑千辰:论文撰写——初稿编写、可视化处理、结果验证、软件应用、方法设计、实验研究、正式分析、数据整理、概念构思。周佳涛:方法设计、数据整理。施杰:结果验证、方法设计、数据整理。李作生:结果验证、方法设计、实验研究。唐赛:论文撰写——审阅与编辑、项目监督、概念构思。梁超平:方法设计。黄宇峰:结果验证、数据整理。马云竹:论文撰写——审阅与编辑、概念构思。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了中国国家自然科学基金(项目编号:51931012)的支持。同时,我们也感谢中南大学高性能计算中心以及合肥先进计算中心在技术上的支持。