深度機器學習開啟七維空間預測晶界性能新范式
2020-04-05 來源：Goal Science
晶界對多晶材料的工藝參數(shù)選擇和最終性能至關重要。由于晶界有5個宏觀自由度非常復雜，因此長久以來，無論是通過實驗還是模擬，想要同時構建晶界性能與所有5個自由度的函數(shù)關系都被認為是幾乎不可能完成的任務。最近，美國加州大學圣地亞哥分校駱建教授團隊在這一領域取得了突破性的進展。
研究人員通過準巨正則系宗混合蒙特卡洛方法結合分子動力學模擬，獲取初步模擬結果。在此基礎之上，使用遺傳算法指導機器學習，建立了深度神經(jīng)網(wǎng)絡模型。該模型的計算效率相比傳統(tǒng)微觀尺度模擬提高了10^8倍以上。這使得對數(shù)百萬個不同溫度下、不同成分各類晶界性能的高通量預測成為可能。
更加難能可貴的是，該模型具有極強的普適性。不僅對對稱傾斜晶界和扭轉(zhuǎn)晶界適用，對非對稱晶界和混合晶界也同樣具有非常高的預測精度。作者將他們的研究結果總結為了一系列色差圖，這類色差圖有望成為晶界工程領域和相圖一樣普遍應用的材料學工具。為預測晶界五個宏觀自由度、溫度以及成分（即七維空間）下的晶界性能開啟了一個全新方式。
此前，駱建教授團隊已在《Nature Communications》上發(fā)表文章《Role of disordered bipolar complexions on the sulfur embrittlement of nickel general grain bounaries》，利用準巨正則系宗雜化分子動力學和蒙特卡洛模擬，在球差矯正掃描透射電子顯微鏡表征結果上，對硫偏析誘發(fā)的準非晶態(tài)和類雙原子層的二維界面相的熱力學和機械性能進行深入研究，為研究無序界面相的結構、動力學和熱力學開辟了嶄新的道路，也為實現(xiàn)在七維空間預測材料晶界性能奠定了基礎。
原文鏈接：
通訊作者：駱建，美國加州大學圣地亞哥分校教授。（本科畢業(yè)于清華大學，博士畢業(yè)于麻省理工大學）