机器学习模型预测现象是理解材料属性的关键

劳伦斯利弗莫尔实验室(LLNL)的研究人员利用机器学习，进化算法和其他先进的计算技术，成功地模拟了原子在构成大多数材料的晶体之间的排列方式，这一发展可能会影响未来材料的设计和优化方式。

虽然大多数材料在肉眼看来可能是均匀的固体，但它们实际上是由微小的微晶或晶粒在原子水平上由科学家称之为晶界的界面组成。由于它们对材料特性和功能的重要性，这些晶界的结构已被广泛研究。然而，手工搜索数十亿可能的结构并试图预测他们的行为一直是徒劳的。

LLNL，内华达大学拉斯维加斯分校，石溪大学和加州大学戴维斯分校的研究人员设计了一种基于进化算法和机器学习的方法，能够梳理晶界中原子如何排列的广阔空间，并预测它们将如何形成在某些条件下互动。科学家表示，该方法最终提供了一种预测材料特性的方法，并可能在开发具有更高强度，更高耐热性或更高导电性的材料方面取得重大突破。该论文于今年早些时候在凤凰城举行的The Minerals，Metals&Materials Society 2018年国际会议上发表。

“我们开发的是第一种有效地采样可能的晶界结构并找到低能量结构以及重要亚稳态的计算工具，”LLNL科学家Timofey Frolov说，该项目的首席研究员。“令人惊讶和震惊的是，我们认为我们理解了边界的结构，但我们没有。基本上，我们现在从头开始，因为我们看到的许多边界与我们之前的想法有不同的结构。“

晶界的原子组成是某些材料在强热或极压等条件下如何表现或改变相(即固体到液体)的基础。使用机器学习来探索可能的结构并具有计算模型的能力可能对设计用于广泛能源应用的材料产生重大影响，包括固态燃料电池，用于发电的热电，氧传感器，光纤，开关，激光器放大器和镜头，科学家说。

“近年来发生了一场革命，使用机器学习来获得以前无法获得的东西，并且寻找晶界结构的结果不正确 - 你需要这些现代技术的力量才能找到正确的答案， “LLNL计算材料科学集团负责人Robert Rudd说。“近几十年来我们所看到的许多技术变革都是通过以前不存在的材料实现的，因此为这些结构进行设计和优化设计将会改变游戏规则。”

研究人员使用铜创建并描述了新模型，并成功地使用硅，钨和其他材料进行了演示和测试。它也已在LLNL的聚变能源计划中实施。弗罗洛夫表示，他希望在具有多种元素的系统中进一步开发功能陶瓷的方法，这种方法在高温下显示出迷人而复杂的过渡。

“大量最近的实验研究表明，掺杂后陶瓷材料中晶粒生长行为发生了巨大变化，并将这些变化与晶界结构转变联系起来，”Frolev说。“例如，异常大颗粒的形成可以极大地改变材料的性质，但难以预测或控制。我们的新方法首次提供了晶界转变的可靠证据。我们现在可以预测晶界的不同状态，并解释实验中看到的材料性质的突然变化。“

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！