机器学习揭示先进合金的秘密
内容提要
研究人员利用机器学习量化金属合金中的短程有序，以帮助开发高性能合金。他们使用机器学习模拟和量化SRO，通过识别化学模式和标记每个模式的数量。研究人员还利用超级计算机进行了大规模模拟。这项研究有望为高熵材料的设计提供预测工具，推动新材料的有目的设计。
延伸解读
短程有序：合金设计的隐藏旋钮
短程有序指原子倾向于与特定邻居形成化学排列。传统观点可能认为高熵合金中元素随机分布，但实际并非如此。SRO如同一个“旋钮”，通过调整元素的混合方式，可以定制材料性能，在航空航天、生物医学和电子等领域有应用潜力。然而，SRO在金属合金中尚未被充分研究，解码它是开发高性能合金的关键步骤。
机器学习如何量化原子排列
研究团队采用双管齐下的机器学习方案：首先开发模型准确重现高熵合金中的化学键，捕捉微小能量差异；其次利用3D欧几里得神经网络识别化学图案，克服对称等效形式的干扰。最后，通过机器学习为每种图案标记数字，实现SRO的量化。这种方法比传统小规模模拟或简单计数更全面，能原子级捕捉复杂化学排列。
超级计算机助力大规模模拟
研究团队将利用美国能源部INCITE项目提供的Frontier超级计算机，模拟铸造、冷轧等实际金属加工条件下SRO的变化。传统方法受限于计算规模，难以准确模拟高熵材料。大规模模拟有望揭示冶金学家可用来工程化合金的机制，从而预先设定SRO，推动高熵材料的预测性设计。
从二维到三维：SRO研究的突破
传统透射电子显微镜等方法只能提供二维数据，而物理模拟可以填补空白，给出完整的三维化学SRO信息。这有助于更全面地理解原子排列。研究人员表示，他们引入了一个框架来讨论化学复杂性，现在可以基于经典合金的材料科学知识，为高熵材料开发预测工具，实现新材料的按需设计，而非盲目尝试。
Q&A
短程有序(SRO)在金属合金中有什么重要性？
短程有序(SRO)对开发高性能合金至关重要，因为它影响材料的强度和耐热性等性能。
研究人员如何利用机器学习量化短程有序？
研究人员通过机器学习逐个原子量化SRO的复杂化学排列，并使用3D欧几里得神经网络识别化学图案。
高熵合金的特点是什么？
高熵合金由三到二十种元素以几乎相等的比例组成，提供了广阔的设计空间。
传统方法在理解短程有序方面存在哪些局限？
传统方法通常使用小规模计算模型，无法全面捕捉复杂材料系统的SRO，导致理解不完整。
这项研究的最终目标是什么？
研究的目标是为高熵材料的有目的设计提供预测工具，推动新材料的开发。
研究团队将如何利用超级计算机进行模拟？
研究团队将利用世界上最快的超级计算机进行大规模模拟，以探索SRO在金属加工条件下的变化。
