晶界溶質原子的偏析對金屬合金的結構性能產生了深刻的影響，並引發了從強化到脆化的各種效應。而且，儘管已知是各向異性的，在整個多維晶界空間中，對溶質分離傾向變化的認識是有限的，而這在多晶中是非常重要的，因為多晶的大部分空間都位於這裡。
近日，來自美國麻省理工的Christopher A. Schuh等研究者，開發了一個機器學習框架，僅基於這些位點未修飾(預偏析)的局部原子環境，可以準確地預測多晶體中溶質原子在GB位點的偏析傾向(由偏析焓譜量化)。相關論文以題為「Learning grain boundary segregation energy spectra in polycrystals」發表在Nature Communications上。
論文連結：
https://www.nature.com/articles/s41467-020-20083-6
在合金中，晶界處溶質原子的偏析(GBs)導致了包括強化、脆化、耐腐蝕和GB相變等在內的結構效應。因此，控制GB偏析是許多工程應用的必要工具，包括納米晶合金抗晶粒生長的熱力學穩定。而且，儘管大多數技術上相關的合金都是以多晶的形式使用的，但是對多晶中的GB偏析的理解非常有限，並且普遍缺乏與之相關的偏析信息資料庫。
在多晶體中，GB網絡具有各種各樣的點陣類型，根據它們獨特的局部原子環境，這些點陣類型可以在不同程度上促進或抑制分離。溶質原子隔離到GB位置類型(i)的驅動力是由隔離焓來量化的，在固體中，其等於佔據GB位置的溶質原子之間的內能差，和塊狀(穀粒內)位點，；負值(即系統在隔離時能量降低)促進隔離，反之亦然。在多晶體的光譜將決定在一個合金平衡GB隔離的程度。然而，這些分離譜的計算是一個資源密集的任務。
例如，平均晶粒尺寸為10 nm的(50 nm)3 Al多晶體大約有100萬個GB位元，換算成100萬個原子計算，即在每個GB位元上分別替換一個溶質原子並允許其弛緩。這使得，在研究對於給定的合金時，考慮不同微觀結構的任務(即多個多晶樣品)的成本時，望而卻步。
在此，研究者提出了一個機器學習(ML)框架，該框架可以僅根據未修飾(預隔離)的原子環境，準確地預測GB位點中溶質原子的馳豫偏析能。研究者方法是分層的，並提供了兩個模型。首先是一個高保真度模型，經過訓練可以準確地捕捉大塊GB空間中偏析能量的變化，因此可以用於詳細研究合金系統，並即時評估不同微觀結構的偏析。第二種是一種加速模型，它使用降維法來重現高保真模型——精度損失最小——使用三個數量級的訓練數據點(僅100個站點)。研究者使用加速方法掃描了整個合金空間，在國家標準與技術研究所(NIST)的原子間勢庫中存在的原子間勢——總共259種二元合金，建立了一個廣泛的資料庫，為所有鋁、鎂和過渡金屬基的二元合金提供了晶界分離光譜。這個資料庫允許研究者以最小的計算成本來識別感興趣的合金，可以為其訓練和使用高保真度模型。
圖1 用高保真ML模型研究鋁多晶體中Mg在GBs中的溶質偏析。
圖2 跨合金領域的高保真ML框架的驗證。
圖3 GB分離加速ML模型。
圖4 鎳基合金中的GB偏析光譜。
圖5 平衡偏析狀態的預測。
圖6 整個合金空間的預測偏析趨勢的可視化呈現。
綜上所述，研究者提出的ML框架，靈感來自於擬合ML基原子間勢的方法，旨在擬合多晶合金中GB偏析能的「偽原子間勢」。該框架的設計要求用戶輸入最少，因此是可自動化的。該資料庫在合金設計中的應用，預示著未來，它能推動光譜方法，在多晶材料中更廣泛地應用GB偏析。（文：水生）
本文來自微信公眾號「材料科學與工程」。歡迎轉載請聯繫，未經許可謝絕轉載至其他網站。