势不可挡！机器学习又发一篇Nature Reviews Materials

【背景介绍】

机器学习（ML）一直在改变材料科学。在过去的20年里，生成的数据量急剧增加，ML提供了提取信息的基本工具：帮助对材料进行推断的软件是很常见且免费的。因此，科学家们在发展基本理解、解释实验结果和在前所未有的时间尺度和长度尺度上进行原子尺度建模方面的能力得到了广泛的提高。通过使用ML模型来建议新的实验或模拟来使研究自动化变得越来越普遍。由此产生的数据生成、模型再训练和改进预测的机器驱动反馈循环代表了材料研究的范式。ML在计算合金建模中的应用范围从模型哈密顿量的建立到以数据为中心的材料科学。前者通常侧重于单一材料系统，需要高保真的特征描述。后者智能地搜索已知的结果，并在大量候选人中提出广泛的问题。所有的应用都依赖于材料表示法，材料表示法是ML中最重要的概念之一。材料表示法是对材料的数学描述，可以是对晶体结构的直接描述，也可以是一种较为宽泛和间接的描述，而忽略了许多细节。

【成果简介】

近日，美国杜克大学Stefano Curtarolo和美国杨百翰大学Gus L. W. Hart（共同通讯作者）等人报道了一篇关于机器学习（ML）在金属合金领域应用的最新综述。在文中，作者概述了与金属合金相关的ML概念、方法和结果：两种或多种物质的原子级混合物，其中至少一种是金属，混合物的整体特征是金属。首先，作者简要总结了模型-汉密尔顿式建筑和以数据为中心的材料科学的概念，然后概述了计算数据库、结构表示示例和搜索描述符的方法。其次，作者介绍了值得注意的研究，以及已经探索过的应用。包括金属玻璃、高熵合金、形状记忆合金、高温合金、催化合金和磁性合金。最后，作者讨论了冶金合金加工、机械性能（弹性、强度、延展性、硬度、韧性、堆垛层错、应力热点、疲劳和开裂、磨损和蠕变）和热性能的ML研究。其中，对半导体合金的许多类似ML的研究分析不属于本文的范围。研究成果以题为“Machine learning for alloys”发布在国际著名期刊Nature Reviews Materials上。

【图文解读】

图一、特征选择和描述符发现的结构和方法的表示
（a）替代晶体表示；

（b）晶体图卷积神经网络：晶体被转换为图，节点代表晶胞中的原子，边代表原子连接；

（c）通过将局部Voronoi嵌入与全局周期图连接起来，属性标记的材料片段包括周期性；

（d）可变自动编码器将数据点映射到一个低维连续向量空间进行优化，并将优化的潜在向量映射回数据点；

（e）用于在遗传编程中生成新公式的可能交叉和变异步骤的示例；

（f）背后SISSO理念。

图二、无序合金的机器学习
（a）比较玻璃形成的ML预测与Al-Ni-Zr的实验结果；

（b）比较第一代和第二代ML预测与Co-Ti-Zr、Co-Fe-Zr和Fe-Ti-Nb实验的结果；

（c）Al-La-Ni的玻璃化转变温度和结晶温度之间的预测差异；

（d）通过支持向量机预测Co-Cr-Mn的相形成；

（e）具有Nb-Mo-Ta-W光谱邻域分析潜力的分子动力学模拟；

（f）共晶Al-Co-Cr-Fe-Ni合金的总伸长率与极限抗拉强度的Ashby图，克服了强度-延展性的权衡。

图三、形状记忆合金、催化剂和磁铁的机器学习

（a）用于优化形状记忆合金Ti₅₀Ni_{50−x−y−z}Cu_xFe_yPd_z的自适应设计工作流程；

（b）Pareto front（PF）用于优化使用自适应设计生成的形状记忆合金的热滞后和转变温度组合；

（c）t-分布式随机邻域嵌入（t-SNE）t-SNE表示CO吸附能量如何根据局部环境和成分在Cu合金上的吸附位点之间变化；

（d）相图富Pt区中Pt-Ni合金(111)表面的电流密度（i），相对于Pt(111) (i_Pt)，如使用贝叶斯簇扩展预测的那样。；

（e）由动态ML指导的实验生成的Co-Fe-Mo系统的磁场和矫顽力场图和结构特性图；

（f）fAl-Co-Fe的预测居里温度T_C。

图四、合金加工的机器学习
（a）比较神经网络（NN）模型和A356铝合金在不同温度下以每秒0.001的应变速率通过实验获得的流变应力；

（b）由增材制造产生的钢铁材料的孔隙率，由仅使用初始观察集训练的高斯过程模型预测；

（c）对比随机猜测，使用ML指导的四种方法找到不同材料特性的最佳候选所需的试验次数。

【总结与展望】

综上所述，ML将在传统建模难以解决的挑战方面发挥重要作用，特别有可能在以下领域发挥较大影响：一是自主材料设计。自主设计和优化将ML与主动学习相结合，以选择合成优先级，并将包括用于材料预测的生成模型。二是复杂性问题。具有大量物种的系统中不可避免的无序将需要使用ML来开发工业高温合金和高熵系统。同时ML将是理解直接建模过程和属性过于昂贵的系统的关键。三是机器学习力场。通用原子间势的发展是ML在合金研究中最有前途的应用之一。这些势函数可以扩展模拟的时间尺度和长度尺度，并通过主动学习获得与从头计算相当的预测精度。四是量子计算。DFT是原子尺度合金建模中最成功和最广泛使用的方法之一，依赖于近似值从第一原理计算材料特性。ML有望通过系统地将这些方法拟合到高度准确的实验和/或计算数据，同时满足已知的物理约束来改进这些方法。五是数据标准化与集成。ML需要使用一致的方法生成并以标准化、可互操作的格式分发的大量正面和负面结果的数据集用于训练和测试。六是Delta学习。在大量廉价、低保真数据和少量高保真数据之间的差异上训练的模型，可用于引导较大的数据库到较小的数据库的较高保真度级别。

总之，ML是合金研究的革命性工具，其正在促进冶金复兴。结合数据库和高通量表征，这种方法已可以解决突出的材料问题。作者简要描述了该领域的状况并分析了几个概念、方法和应用。ML和合金研究之间的合作伴关系将迅速适应即将到来的挑战，并继续其不可阻挡的发展势头。

文献链接：Machine learning for alloys. Nature Reviews Materials, 2021, DOI: 10.1038/s41578-021-00340-w.

本文由CQR编译。

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.