耶鲁大学胡远超博士：数据驱动玻璃形成机理研究

以下文章来源于材料信息学MaterialsInformatics ，作者JMI编辑部

题目：Data-driven prediction of the glass-forming ability of modeled alloys by supervised machine learning

第一作者：胡远超（耶鲁大学）

通讯作者：胡远超（耶鲁大学）

DOI: 10.20517/jmi.2022.28

全文链接：https://jmijournal.com/article/view/5416

正文

Main Text

与传统玻璃态材料不同，金属玻璃（又称非晶合金）具有较为宽泛的玻璃形成能力。例如，单质金属（如Ta）需要在大于10^14 K/s的冷却速率下才可以形成玻璃；而一些多组元合金（如PdNiCuP）的临界冷却速率可以远低于1 K/s。金属玻璃的玻璃形成能力通常随着组成元素和成分而剧烈变化。自金属玻璃于1959年首次被开发以来，理解其玻璃形成能力的物理机制一直是该领域的研究重点和难点。与此同时，由于具有无序的局域原子结构，金属玻璃通常表现出优越的物理，化学和力学性能，因此在众多领域具有广阔的应用前景。开发具有超大临界尺寸的金属玻璃尤为重要。然而，优化材料设计强烈依赖于对基本物理机制的认识。因此，揭示金属玻璃的玻璃形成能力的起源迫在眉睫。

近日，美国耶鲁大学机械工程和材料科学系的助理研究员胡远超和田佳川在JMI上发表了“使用数据驱动的监督式机器学习方法预测合金材料的玻璃形成能力”论文。文章提出结合大规模分子动力学模拟和机器学习新方法来认识合金材料的玻璃形成能力的物理机制，并揭示出控制金属玻璃的玻璃形成能力的关键因素。论文强调了局域拓扑序和局域化学序在玻璃形成过程中的重要作用，尤其是后者。这两种局域序结构可以通过组成元素原子尺寸和结合能进行调控。机器学习模型进一步预测出组成元素的几何性质和能量状态的非线性耦合至关重要。该研究结果有助于加深对金属玻璃的玻璃形成能力物理机制的认识和指导促进新材料的开发。

展望

Outlook

通过使用多年积累的计算机模拟数据构建大型的关于金属玻璃玻璃形成能力的数据库，该论文使用机器学习新方法系统研究了控制二元合金体系玻璃形成能力的物理因素，揭示了局域拓扑序和局域化学序的重要作用。该研究结果与论文作者通过加强抽样对金属玻璃过冷液体的晶化机制的研究发现相一致【Hu et al. Science Advances 6, eabd2928 (2020); Nature Communications 13, 4519 (2022)】，为加深对这一科学问题的认识提供了坚实的基础。目前的研究所探索的机器学习模型较为简单。在未来的研究中，我们将探索更为复杂的机器学习模型，如深度学习。如何开发出更高效的机器学习样本特征也将是研究的重点。与此同时，目前的研究方法和策略同样适用于研究高熵合金的相形成规律，及其他材料科学和物理研究范畴。

引用此文

Cite This Article

Hu YC, Tian J. Data-driven prediction of the glass-forming ability of modeled alloys by supervised machine learning. J Mater Inf 2023;3:1. http://dx.doi.org/10.20517/jmi.2022.28

转自：“蔻享学术”微信公众号

如有侵权，请联系本站删除！