利用图神经网络预测滑移传递路径

《npj Computational Materials》：Predicting slip transmission pathways using graph neural networks

　　

摘要

塑性变形决定了延性材料的性能与失效机制，这一过程通常由位错滑移所驱动。在多晶材料中，一个晶粒中的滑移可能会引发相邻晶粒的滑移，这种现象被称为滑移传递，它将晶粒尺度的事件与整体塑性行为联系起来。我们提出了一个基本问题：如果已知初始滑移事件的位置，是否能够预测其通过晶粒网络的传递路径？利用原位高能衍射显微镜技术，我们对三维晶粒网络中的滑移传递现象进行了测量。这些测量结果为开发一种基于拓扑结构的滑移传递图神经网络（TGNN-ST）提供了依据。TGNN-ST整合了晶粒、晶界以及网络拓扑特征，并在局部晶粒邻域子图上运行，从而能够准确捕捉潜在滑移传递事件周围的微观结构环境。相较于传统经验准则、常规深度学习模型以及基于节点的图神经网络，这种方法的性能更为优异。除了预测功能外，该模型还揭示出滑移传递主要受一级邻晶的影响，并受局部网络拓扑结构的控制，为理解塑性变形机制提供了新的视角。