研究前沿：Scripta Mater-机器学习预测铝在镁晶界偏析

镁合金在结构合金领域是非常轻的金属。由于这种高比强度特性导致其在航空航天、汽车和国防工业中均有应用，因此人们对镁合金产生了浓厚的兴趣。但是，此类合金的用途受到限制，主要是由于它们的耐腐蚀性、可成形性差和抗蠕变性低。镁合金中通常会添加铝元素。铝改善了合金的多种性能，包括硬度、强度和可铸性。铝对镁合金的服役条件也有影响，通常是提高耐腐蚀性，已有研究显示铝具有在晶界(GBs)处偏析的趋势，形成Mg17Al2析出。这些析出相是值得研究的，因为磁性材料优先腐蚀晶界处，或者该相可以作为腐蚀的物理屏障，具体取决于析出相的体积分数。此外，该相的形成通常会影响合金的机械性能，大部分会降低延展性。因此，研究这些相形成时铝原子的偏析对于更好的开发镁合金至关重要，虽然已有研究通过MD模拟对微观结构进行建模，但是现有报道没有将模拟结果与机器学习结合应用于镁合金。 

美国密歇根大学的研究人员首次将模拟结果与机器学习和数据科学技术结合应用于镁合金研究，将铝的偏析能量量化为镁的不同对称倾斜晶界(STGB)的数据集。相关论文以题为“Machine learning to predict aluminum segregation to magnesium grain boundaries”发表在Scripta Materialia。

论文链接：

https://doi.org/10.1016/j.scriptamat.2021.114150

本文中铝原子被反复放置在镁中30个不同<0001>对称倾斜晶界附近的各种原子位置(GB中心20)，为了解铝在镁GB的偏析，使用线性回归模型、基于树模型和神经网络模型进行研究。研究发现GB中每个原子点位周围的局部环境均会影响与铝原子偏析相关的能量学，因此适合作为机器学习模型的输入，使用LAMMPS从非松弛系统计算每个原子的局部度量，以描述每个替代铝原子。

在本文数据集中，每个原子点位都有偏析能(Y’s)和局部环境指标向量(xi’s)，将数据随机分为训练集(70%)、验证集(15%)和测试集(15%)。根据相对特征重要性的计算和排序，确定配位数、Voronoi体积和静水压力这三个重要的特征。预测偏析能量方面，具有交互项的二次回归模型表现最好(R2=0.940，RMSE=11.72 meV)。在基于树模型方面，表现最好的模型是极端梯度提升决策树(XGBoost)，精度最高达到R2=0.972，RMSE=8.01 meV。在深度学习神经网络方面，总体R2为0.981，RMSE为6.21 meV，表明神经网络可以准确预测镁GB中的铝偏析能。 

图1 在<0001> STGB系统内，MD偏析能作为与GB中心距离的函数，以增加取向差角 

图2 MD偏析能作为空间位置的函数 GB(θ=29.410) 

图3 偏析能量与环境描述因子的相关图 

图4 神经网络与MD计算的偏析能相比较 

本文开发的框架可以用于理解合金原子与GBs材料的偏析。首先，该预测模型可以准确而快速地提供大结构的原子偏析能量，而无需对每个潜在位置进行额外的模拟。该模型可用于加速蒙特卡罗(原子)动力学模拟中的势能交换状态，或为高尺度模型提供平均偏析能的信息。这项研究解决了通过镁的相邻原子来预测单个原子的偏析能的问题。本文证实了使用机器学习技术计算GB物理特性的能力可以对GB科学和工程领域产生广泛的影响。（文：破风）