PNAS：借助機器學習進行晶界處原子動力學測定

【引言】

晶界動力學和晶粒長大、晶界擴散、滑移，位錯和點缺陷的產生湮滅有著密切關聯。評價晶界原子動力學的復雜性在于：這種復雜性既和晶界結構的高度退化的本質有關，還和晶界網絡與多晶顯微結構的相互連接有關。晶界原子結構既表現出連續晶粒的有序性，也在復雜的勢能圖景中被困于亞穩態極小值處，可聯想到非晶態材料。

【成果簡介】

多晶材料中，晶界位置的原子運動能力更高，但晶界網絡內原子結構的復雜性使得結構和原子動力學之間難以聯系起來。近日，美國賓夕法尼亞大學的Tristan A. Sharp（第一作者兼通訊作者）等研究人員在在國際頂級綜合性期刊PNAS上面發表了文章“Machine learning determination of atomic dynamics at grain boundaries”。該工作使用機器學習建立了局域結構和動力學之間的關聯。在研究塊體非晶態材料的前期工作的基礎上，作者定義了一個純結構量（軟度）來獲取原子重排的傾向。該方法可以正確識別晶體區域，堆垛層錯以及孿晶界是發生原子重排可能性較低的區域，而高能量的晶界有著較大的原子重排可能性。

【圖文導讀】

圖1：Al的三維多晶橫截面中一小塊區域的顯微結構。

(a) CNA方法可視化得到的顯微結構；

(b) VoroTop可視化得到的顯微結構；?

晶粒內部是局域的FCC（白色院子），而堆垛層錯和孿晶界是局域HCP結構（紅色原子），一般晶界內的原子機遇是FCC也不是HCP（藍色原子）。

(c) 同樣的原子以?p_hop瞬時值為標準的著色圖；

(d)?同樣的原子以軟度為標準的著色圖。

圖2：晶粒內和晶界處的軟度S的分布。

圖3：溫度低于0.80Tm時，重排可能性表現為Arrhenius行為。

圖4：熔點溫度處，用熱能標度的能壘和重排可能性中提取的與軟度的關系。

圖5：最重要的結構方程的RFE測定。

【小結】

本工作將機器學習方法用于分析多晶體晶界處的原子結構重排。該方法直接將原子結構劃分為罕見重排區和經常重排區。熱漲落下原子重排的可能性與自由體積、勢能有關聯，但并不是可以完全歸因于這些物理量。機器學習所得的量可以預測特定原子重排所需的能量勢壘。晶界中發生重排的原子多數有著可能性更多的重排軌跡，而非像塊狀非晶體那樣大幅降低能壘。該工作表明多晶體塑性可以通過局域原子結構環境來研究，而不需要傳統的顯微結構分類。

文獻鏈接：Machine learning determination of atomic dynamics at grain boundaries（PNAS，2018，DOI：10.1073/pnas.1807176115）

本文由材料人計算材料組Isobel供稿，材料牛整理編輯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu