通过贝叶斯分类与实验验证实现Cu–Zr–Al体系中薄膜金属玻璃形成能力的数据驱动预测

《RSC Advances》：Data-driven prediction of thin-film metallic glass forming ability via Bayesian classification and experimental verification in the Cu–Zr–Al systemOpen Access

　　

从庞大且多维的元素组合空间中识别适合形成金属玻璃的合金成分仍然是一个重大挑战。在本研究中，研究人员利用文献数据开发了一种基于高斯过程分类（Gaussian process classification, GPC）的贝叶斯机器学习模型，用于预测金属合金成分的玻璃形成能力（glass-forming ability, GFA）。该模型整合了基于合金成分和组成元素物理性质计算的各种描述符。采用最优描述符集，该模型在独立测试集上达到了87%的预测准确率。该模型展现出涵盖多种合金体系的预测能力，本研究通过聚焦三个三元体系来展示这一能力，研究人员计算了这些体系中多个不在测试集内的成分的GFA。此外，研究人员利用磁控溅射（magnetron sputtering）合成了选定成分的典型Cu–Zr–Al薄膜合金，并将其与模型预测进行了比较。通过表征沉积态样品的结构及其在热处理过程中的演变，研究人员验证了Cu–Zr–Al体系在Al含量低于20%时往往具有更好的GFA。本文呈现的整体结果表明，该模型很好地捕捉了成分与GFA之间的关系，并进一步为广泛非晶合金的设计提供了宝贵指导。

金属玻璃（Metallic glasses, MGs）是一类缺乏长程有序但常呈现短程有序的非晶合金，具有高比强度、大弹性极限、良好耐蚀耐磨性以及某些体系中的优异软磁性能。玻璃形成能力（glass-forming ability, GFA）是评价合金形成非晶难易程度的关键指标，通常由临界冷却速率或给定冷却速率下的最大铸造直径表征。传统块体金属玻璃（bulk metallic glasses, BMGs）制备方法（如铜模铸造、吸铸、放电等离子烧结等）的冷却速率一般限于10²–10⁴ K s^?1，严重限制了可玻璃化的成分范围。相比之下，磁控溅射等气相沉积技术可实现原子级逐层沉积，有效冷却速率高达10¹³–10¹⁴ K s^?1，可进入更宽的成分空间。然而即使在这种远离平衡的条件下，也并非所有成分都能形成非晶薄膜，成分仍是决定薄膜金属玻璃（thin-film metallic glass, TFMG）形成能力的重要因素。由于可能的多元合金组合数量巨大，数据驱动方法和机器学习（machine learning, ML）为候选成分筛选和加速发现提供了有力工具。该项研究旨在开发并实验验证一个基于成分及衍生描述符预测薄膜合金玻璃形成的机器学习框架，论文发表在《RSC Advances》。

研究人员从Landolt–B?rnstein（LB）手册及Ward等人文献中构建了包含6835个二元/三元TFMG成分的数据集，按非晶（AM）、非晶-晶体（AC）和晶体（CR）三类标记；独立测试集包含562个成分，其中约28%为四元和五元合金，来自LB手册和Garel等人报告。研究中计算了38个元素描述符（elemental descriptors, EDs）和11个物理描述符（physical descriptors, PDs），采用主成分分析（principal component analysis, PCA）降维，再使用基于高斯过程分类（Gaussian process classification, GPC）的贝叶斯分类模型进行预测。实验上，通过磁控溅射合成13个Cu–Zr–Al薄膜样品，采用飞行时间弹性反冲探测分析（time-of-flight elastic recoil detection analysis, ToF-ERDA）确定成分，用掠入射X射线衍射（grazing incidence X-ray diffractometry, GIXRD）表征物相，并对沉积态样品进行阶梯退火及高分辨透射电子显微镜（high-resolution transmission electron microscope, HRTEM）分析。

### 机器学习

研究人员比较了EDs、PDs及两者组合（CDs）在不同主成分数下的预测性能。结果显示，当保留7个主成分时即可解释约80%的方差；预测评分在n=7–9时趋于饱和。EDs表现优于PDs和CDs，尤其在低维下优势明显。采用EDs和n=9时，模型在独立测试集上的受试者工作特征曲线下面积（area under the ROC curve, AUC）为0.86，以0.5为决策阈值时总体准确率达87%，表明模型能有效区分玻璃形成与非玻璃形成成分。模型生成的Cu–Zr–Al、Cu–Zr–Cr和Ni–Ta–Ir三元体系GFA成分图显示，高GFA区域与文献报道的组成范围基本一致。

### 描述符重要性

通过分析主成分权重，PC1主要反映成分无序度，PC2体现热膨胀与熔点之间的热力学对立关系，PC3反映电子结构参数与原子半径相关的键合紧凑性，PC4与德拜温度、价电子浓度等晶格刚度因素相关。各描述符在前九个主成分中的累计贡献相对均匀，说明所有描述符在决定GFA中均起作用。与基于平衡热力学量的PDs相比，EDs在远离平衡的薄膜沉积条件下更适用。

### 实验验证

研究人员选择了8个预测P_glass低于0.5和5个高于0.5的Cu–Zr–Al成分进行磁控溅射制备。GIXRD结果显示，大多数沉积态样品呈非晶态；仅T11（Cu₅₅Zr₀Al₄₅）、T12（Cu₆₉Zr₃Al₂₈）和T13（Cu₁₃Zr₈₁Al₆）因成分接近二元合金而出现晶体峰。退火实验表明，低P_glass样品T2、T5在813 K退火后完全晶化，T3、T4出现晶化迹象，T1保持非晶；高P_glass样品中仅T9出现晶化峰，其余保持非晶。HRTEM进一步证实T4为纳米晶与非晶混合结构，T8为均匀非晶。实验总体与模型预测吻合，表明Cu–Zr–Al体系在Al含量低于20%时具有更好GFA。

总结讨论部分表明，磁控溅射在很宽的成分范围内都能获得非晶结构，但退火后结构演变很好地验证了模型预测的真实GFA；模型捕捉了成分与GFA之间的复杂关系，可为非晶合金的成分搜索和设计提供有效参考。研究结论可概括为：研究人员利用文献数据和基于成分计算的描述符训练了GPC机器学习模型以预测TFMG的GFA，并通过磁控溅射合成及表征进行了实验验证；在极高冷却速率下，基于平衡热力学量的PDs及包含它们的CDs表现不如简化的EDs，EDs在独立测试集上的最佳准确率为87%；通过对沉积态样品进行热退火，间接模拟低冷却速率条件，预测结果与真实GFA吻合良好；基于GPC的机器学习框架是加速GFA探索的良好平台，未来可在模型指导下利用脉冲溅射实验研究金属玻璃中的中程序，并有望进一步改进对块体金属玻璃GFA的预测。