深度机器学习开启七维空间预测晶界性能新范式
2020-04-05 来源：Goal Science
晶界对多晶材料的工艺参数选择和最终性能至关重要。由于晶界有5个宏观自由度非常复杂，因此长久以来，无论是通过实验还是模拟，想要同时构建晶界性能与所有5个自由度的函数关系都被认为是几乎不可能完成的任务。最近，美国加州大学圣地亚哥分校骆建教授团队在这一领域取得了突破性的进展。
研究人员通过准巨正则系宗混合蒙特卡洛方法结合分子动力学模拟，获取初步模拟结果。在此基础之上，使用遗传算法指导机器学习，建立了深度神经网络模型。该模型的计算效率相比传统微观尺度模拟提高了10^8倍以上。这使得对数百万个不同温度下、不同成分各类晶界性能的高通量预测成为可能。
更加难能可贵的是，该模型具有极强的普适性。不仅对对称倾斜晶界和扭转晶界适用，对非对称晶界和混合晶界也同样具有非常高的预测精度。作者将他们的研究结果总结为了一系列色差图，这类色差图有望成为晶界工程领域和相图一样普遍应用的材料学工具。为预测晶界五个宏观自由度、温度以及成分（即七维空间）下的晶界性能开启了一个全新方式。
此前，骆建教授团队已在《Nature Communications》上发表文章《Role of disordered bipolar complexions on the sulfur embrittlement of nickel general grain bounaries》，利用准巨正则系宗杂化分子动力学和蒙特卡洛模拟，在球差矫正扫描透射电子显微镜表征结果上，对硫偏析诱发的准非晶态和类双原子层的二维界面相的热力学和机械性能进行深入研究，为研究无序界面相的结构、动力学和热力学开辟了崭新的道路，也为实现在七维空间预测材料晶界性能奠定了基础。
原文链接：
通讯作者：骆建，美国加州大学圣地亚哥分校教授。（本科毕业于清华大学，博士毕业于麻省理工大学）