基于机器学习方法的金属玻璃结构-性能研究

Metallic glass, with its excellent soft magnetic property, hardness, corrosion resistance, and wear resistance, is of great value and is industrializing rapidly. However, the critical problem of brittleness is still hindering its development. Although abundant achievements has been made using traditional molecular dynamics simulations, research efficiency is still far from satisfying, especially in the age of big data. So far, research methods guided by the concept of material genome is replacing traditional methods as the new paradigm for material research. The applicant has been using machine learning approach in the study of glass forming ability of binary alloys, and built efficient predictive models based on large-scale databases.. We propose here to use machine learning for studying the correlation between structure and property of metallic glasses. Databases can be built by data collected from molecular dynamics simulations. Machine learning is used to extract information, and establish correlations among atomic level structures and dynamical properties metallic glasses. The results will provide data for understanding the nature and characteristics of metallic glasses, and also provide experimental guidance for the design of new materials.

金属玻璃以其优异的软磁性、硬度、抗腐蚀、耐摩擦等物性，具有重要的应用价值，产业化发展迅速，但合金的脆性问题仍是制约其发展的重要因素。分子动力学模拟的研究方法为金属玻璃领域积累了丰富的成果，但其研究效率仍然难以达到产业化对基础科研的要求。目前，以材料基因组理念为指导的研究方法，正在逐渐成为材料研发的新范式。申请者在前期工作中使用机器学习方法对二元合金的玻璃形成能力进行了大规模数据分析，建立了有效的预测模型。.本项目拟采用机器学习的方法，对金属玻璃的结构与物性之间的关联性展开研究。通过高性能分子动力学模拟计算建立包含金属玻璃的玻璃形成原子排列结构、动力学特征的数据库，再通过机器学习建立金属玻璃微结构与物性之间的关联，为深入理解金属玻璃的本质提供数据支撑，也为新材料的设计与研发提供理论依据。

目前金属玻璃的原子堆垛结构特征已经通过各种手段得以表征，但其与性能的关联仍然没有充分的认识。本项目围绕金属玻璃的结构-性能关联开展研究，以数据驱动的材料研发范式，采用的研究手段包括高通量实验、数值模拟、物理气相沉积等，旨在建立金属玻璃原子堆垛对合金玻璃形成能力、弛豫动力学的关联。主要研究内容包括：1）采用高通量制备与表征的方法，实现了超过5000个合金成分的结构表征，并采用分子动力学模拟的方法，对实验结果对应的微观结构进行分析，发现了X射线衍射谱非晶峰半峰宽与合金玻璃形成能力的关联，这个关联能够帮助有效提高金属玻璃的研发速度，同时提出了金属玻璃原子局域堆垛多样性对玻璃形成能力与玻璃稳定性的影响，这种方法产生的大量的标准化数据，为后续的机器学习工作铺平了道路；2）发现了ZrNi非晶薄膜存在分形结构，且分形维度与薄膜厚度密切相关，这为理解金属玻璃的原子堆垛结构提供了新的理解；3）发现了Ta单质非晶薄膜中可以同时存在多样化的结构，这一发现意味着可以通过单一薄膜样品的制备得到对应能垒图不同区域的样品，实现高效的结构探索；4）发现了通过缓慢气相沉积制备的超稳定ZrCuAl玻璃，具有与块体材料不同的结构特征，能够将玻璃转变温度提高超过50℃；5）发现以Cu和Zr为代表的不同晶体结构的单质金属，其晶体和过冷液体之间存在的过渡区结构有明显的区别，对应不同的玻璃形成能力；6）采用机器学习的方法，对金属玻璃不同结构参量与塑性形变事件的关联进行了系统的分析，发现了低频振动模式相关参量具有最明确的关联。从高通量实验的大规模数据产出，到薄膜样品的微观结构表征，与数值模拟对过冷液体结构-性能关联的建立,以及机器学习的参量分析，这些数据累积为正在开展的机器学习提供了最为重要的金属玻璃结构-性能数据库，在此基础上可以充分发挥各类算法优势，进行进一步的分析与预测。