勢不可擋！機器學習又發一篇Nature Reviews Materials

【背景介紹】

機器學習（ML）一直在改變材料科學。在過去的20年里，生成的數據量急劇增加，ML提供了提取信息的基本工具：幫助對材料進行推斷的軟件是很常見且免費的。因此，科學家們在發展基本理解、解釋實驗結果和在前所未有的時間尺度和長度尺度上進行原子尺度建模方面的能力得到了廣泛的提高。通過使用ML模型來建議新的實驗或模擬來使研究自動化變得越來越普遍。由此產生的數據生成、模型再訓練和改進預測的機器驅動反饋循環代表了材料研究的范式。ML在計算合金建模中的應用范圍從模型哈密頓量的建立到以數據為中心的材料科學。前者通常側重于單一材料系統，需要高保真的特征描述。后者智能地搜索已知的結果，并在大量候選人中提出廣泛的問題。所有的應用都依賴于材料表示法，材料表示法是ML中最重要的概念之一。材料表示法是對材料的數學描述，可以是對晶體結構的直接描述，也可以是一種較為寬泛和間接的描述，而忽略了許多細節。

【成果簡介】

近日，美國杜克大學Stefano Curtarolo和美國楊百翰大學Gus L. W. Hart（共同通訊作者）等人報道了一篇關于機器學習（ML）在金屬合金領域應用的最新綜述。在文中，作者概述了與金屬合金相關的ML概念、方法和結果：兩種或多種物質的原子級混合物，其中至少一種是金屬，混合物的整體特征是金屬。首先，作者簡要總結了模型-漢密爾頓式建筑和以數據為中心的材料科學的概念，然后概述了計算數據庫、結構表示示例和搜索描述符的方法。其次，作者介紹了值得注意的研究，以及已經探索過的應用。包括金屬玻璃、高熵合金、形狀記憶合金、高溫合金、催化合金和磁性合金。最后，作者討論了冶金合金加工、機械性能（彈性、強度、延展性、硬度、韌性、堆垛層錯、應力熱點、疲勞和開裂、磨損和蠕變）和熱性能的ML研究。其中，對半導體合金的許多類似ML的研究分析不屬于本文的范圍。研究成果以題為“Machine learning for alloys”發布在國際著名期刊Nature Reviews Materials上。

【圖文解讀】

圖一、特征選擇和描述符發現的結構和方法的表示
（a）替代晶體表示；

（b）晶體圖卷積神經網絡：晶體被轉換為圖，節點代表晶胞中的原子，邊代表原子連接；

（c）通過將局部Voronoi嵌入與全局周期圖連接起來，屬性標記的材料片段包括周期性；

（d）可變自動編碼器將數據點映射到一個低維連續向量空間進行優化，并將優化的潛在向量映射回數據點；

（e）用于在遺傳編程中生成新公式的可能交叉和變異步驟的示例；

（f）背后SISSO理念。

圖二、無序合金的機器學習
（a）比較玻璃形成的ML預測與Al-Ni-Zr的實驗結果；

（b）比較第一代和第二代ML預測與Co-Ti-Zr、Co-Fe-Zr和Fe-Ti-Nb實驗的結果；

（c）Al-La-Ni的玻璃化轉變溫度和結晶溫度之間的預測差異；

（d）通過支持向量機預測Co-Cr-Mn的相形成；

（e）具有Nb-Mo-Ta-W光譜鄰域分析潛力的分子動力學模擬；

（f）共晶Al-Co-Cr-Fe-Ni合金的總伸長率與極限抗拉強度的Ashby圖，克服了強度-延展性的權衡。

圖三、形狀記憶合金、催化劑和磁鐵的機器學習

（a）用于優化形狀記憶合金Ti₅₀Ni_50?x?y?zCu_xFe_yPd_z的自適應設計工作流程；

（b）Pareto front（PF）用于優化使用自適應設計生成的形狀記憶合金的熱滯后和轉變溫度組合；

（c）t-分布式隨機鄰域嵌入（t-SNE）t-SNE表示CO吸附能量如何根據局部環境和成分在Cu合金上的吸附位點之間變化；

（d）相圖富Pt區中Pt-Ni合金(111)表面的電流密度（i），相對于Pt(111) (i_Pt)，如使用貝葉斯簇擴展預測的那樣。；

（e）由動態ML指導的實驗生成的Co-Fe-Mo系統的磁場和矯頑力場圖和結構特性圖；

（f）fAl-Co-Fe的預測居里溫度T_C。

圖四、合金加工的機器學習
（a）比較神經網絡（NN）模型和A356鋁合金在不同溫度下以每秒0.001的應變速率通過實驗獲得的流變應力；

（b）由增材制造產生的鋼鐵材料的孔隙率，由僅使用初始觀察集訓練的高斯過程模型預測；

（c）對比隨機猜測，使用ML指導的四種方法找到不同材料特性的最佳候選所需的試驗次數。

【總結與展望】

綜上所述，ML將在傳統建模難以解決的挑戰方面發揮重要作用，特別有可能在以下領域發揮較大影響：一是自主材料設計。自主設計和優化將ML與主動學習相結合，以選擇合成優先級，并將包括用于材料預測的生成模型。二是復雜性問題。具有大量物種的系統中不可避免的無序將需要使用ML來開發工業高溫合金和高熵系統。同時ML將是理解直接建模過程和屬性過于昂貴的系統的關鍵。三是機器學習力場。通用原子間勢的發展是ML在合金研究中最有前途的應用之一。這些勢函數可以擴展模擬的時間尺度和長度尺度，并通過主動學習獲得與從頭計算相當的預測精度。四是量子計算。DFT是原子尺度合金建模中最成功和最廣泛使用的方法之一，依賴于近似值從第一原理計算材料特性。ML有望通過系統地將這些方法擬合到高度準確的實驗和/或計算數據，同時滿足已知的物理約束來改進這些方法。五是數據標準化與集成。ML需要使用一致的方法生成并以標準化、可互操作的格式分發的大量正面和負面結果的數據集用于訓練和測試。六是Delta學習。在大量廉價、低保真數據和少量高保真數據之間的差異上訓練的模型，可用于引導較大的數據庫到較小的數據庫的較高保真度級別。

總之，ML是合金研究的革命性工具，其正在促進冶金復興。結合數據庫和高通量表征，這種方法已可以解決突出的材料問題。作者簡要描述了該領域的狀況并分析了幾個概念、方法和應用。ML和合金研究之間的合作伴關系將迅速適應即將到來的挑戰，并繼續其不可阻擋的發展勢頭。

文獻鏈接：Machine learning for alloys. Nature Reviews Materials, 2021, DOI: 10.1038/s41578-021-00340-w.

本文由CQR編譯。

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.