PNAS：借助机器学习进行晶界处原子动力学测定

【引言】

晶界动力学和晶粒长大、晶界扩散、滑移，位错和点缺陷的产生湮灭有着密切关联。评价晶界原子动力学的复杂性在于：这种复杂性既和晶界结构的高度退化的本质有关，还和晶界网络与多晶显微结构的相互连接有关。晶界原子结构既表现出连续晶粒的有序性，也在复杂的势能图景中被困于亚稳态极小值处，可联想到非晶态材料。

【成果简介】

多晶材料中，晶界位置的原子运动能力更高，但晶界网络内原子结构的复杂性使得结构和原子动力学之间难以联系起来。近日，美国宾夕法尼亚大学的Tristan A. Sharp（第一作者兼通讯作者）等研究人员在在国际顶级综合性期刊PNAS上面发表了文章“Machine learning determination of atomic dynamics at grain boundaries”。该工作使用机器学习建立了局域结构和动力学之间的关联。在研究块体非晶态材料的前期工作的基础上，作者定义了一个纯结构量（软度）来获取原子重排的倾向。该方法可以正确识别晶体区域，堆垛层错以及孪晶界是发生原子重排可能性较低的区域，而高能量的晶界有着较大的原子重排可能性。

【图文导读】

图1：Al的三维多晶横截面中一小块区域的显微结构。

(a) CNA方法可视化得到的显微结构；

(b) VoroTop可视化得到的显微结构； 

晶粒内部是局域的FCC（白色院子），而堆垛层错和孪晶界是局域HCP结构（红色原子），一般晶界内的原子机遇是FCC也不是HCP（蓝色原子）。

(c) 同样的原子以 p_hop瞬时值为标准的着色图；

(d) 同样的原子以软度为标准的着色图。

图2：晶粒内和晶界处的软度S的分布。

图3：温度低于0.80Tm时，重排可能性表现为Arrhenius行为。

图4：熔点温度处，用热能标度的能垒和重排可能性中提取的与软度的关系。

图5：最重要的结构方程的RFE测定。

【小结】

本工作将机器学习方法用于分析多晶体晶界处的原子结构重排。该方法直接将原子结构划分为罕见重排区和经常重排区。热涨落下原子重排的可能性与自由体积、势能有关联，但并不是可以完全归因于这些物理量。机器学习所得的量可以预测特定原子重排所需的能量势垒。晶界中发生重排的原子多数有着可能性更多的重排轨迹，而非像块状非晶体那样大幅降低能垒。该工作表明多晶体塑性可以通过局域原子结构环境来研究，而不需要传统的显微结构分类。

文献链接：Machine learning determination of atomic dynamics at grain boundaries（PNAS，2018，DOI：10.1073/pnas.1807176115）

本文由材料人计算材料组Isobel供稿，材料牛整理编辑。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。

投稿以及内容合作可加编辑微信：cailiaokefu