麻省理工学院推出金属合金行为建模新方法

航空航天、能源和计算领域的前沿企业，始终在寻找能够提升性能的新型材料。然而，要了解这些材料在火箭或芯片内部的实际表现，企业通常需要先制造材料、再进行测试。原因在于，即便是目前最强大的仿真技术，也难以对当今大多数固体材料中复杂的化学排列进行精确建模，这一问题给材料创新带来了额外的时间和成本。

如今，麻省理工学院的研究团队开发出一种新方法，无论金属的化学排列多么复杂，都能对其行为进行精确建模。该方法的核心是机器学习模型，能够让材料仿真更快速、更精确。研究人员通过构建训练数据集来改进这些模型，这些数据集能够捕捉化学无序材料中原子环境的多样性。

在发表于《科学进展》的最新论文中，研究人员展示了该方法可在多种条件下准确预测不同金属合金的材料特性，并说明了该方法如何用于开发新材料，尤其适用于实验成本高昂的场景。

论文通讯作者、麻省理工学院材料科学与工程系TDK职业发展教授Rodrigo Freitas表示："本文的研究重点是金属合金，这是我所在的领域，但这一方法也可以适用于半导体等其他类型的材料。它并不局限于某一特定应用——可以用来开发新型可持续钢材、航空航天新材料等等，这正是令人兴奋之处。"

论文第一作者为Killian Sheriff（2026届博士），其他作者包括麻省理工学院博士生Daniel Xiao、Yifan Cao，以及谢菲尔德大学高级讲师Lewis R. Owen。

金属建模的挑战

材料特性主要由其内部化学元素的排列方式决定。即便两种材料的化学元素组成相同，不同的化学排列也可能使一种材料脆而易断，另一种则在受力时产生形变而不破裂。

要捕捉这种差异，需要对材料进行逐原子仿真。为此，研究人员依赖描述原子间相互作用的模型。过去二十年间，机器学习已成为构建此类模型最精确的方式。当材料内部的化学排列遵循高度有序的模式时，这类模型表现良好，但大多数固体材料并非如此——其原子化学排列是无序的，且因区域不同而存在差异。

Freitas说道："我们领域真正的挑战在于对这些化学无序相进行建模。化学无序意味着局部化学环境种类繁多，机器学习模型很难从中学习。而问题恰恰在于，我们实际使用的每一种金属都是化学无序的。"

问题的根源在于，这类逐原子仿真缺乏具有代表性的训练数据。目前主流的数据生成方法依赖暴力计算，针对单一材料构建训练数据往往需要超过10万小时的计算时间，而且一旦改变材料成分，其迁移效果也往往不尽理想。

在此前的研究中，Freitas团队已开发出一种通过分析微小原子群的频率和间距来衡量固体材料化学复杂性的方法。本次研究中，他们利用这一能力构建了更优质的训练数据集，借助信息论这一数学方法，生成了能够覆盖无序材料内部更多样局部化学环境的训练数据集。该方法通过对样本中的原子进行替换来减少重复，让模型接触到可能被忽略的化学环境。

Freitas解释道："我们不断优化训练集，使其尽可能涵盖多种不同的局部环境。如果某类环境反复出现，就用模型未曾见过的新例子替换冗余样本，从而让训练集更具信息量，因为每个样本都能带来新的信息。"

实验结果表明，基于该数据集训练的模型，在材料特性预测上比使用随机采样或其他常见采样方法训练的模型更为准确。

Freitas进一步解释："所有逐原子仿真的出发点都是：能否准确描述原子间的化学键？如果不能，仿真或许仍能带来一些普遍性的材料认知，但无法告诉你特定材料在真实世界中的表现。这一方法在化学层面提升了仿真的高保真度，更真实地反映材料的实际状态。"

研究人员将这项技术应用于一组化学成分各异的金属合金，创建了机器学习训练数据集。通过一系列机器学习模型，他们证明基于这些数据集训练的模型，比谷歌、微软等公司构建的规模更大的模型更为精确。

Freitas表示："我们已经确信，无需依赖这些昂贵的暴力计算方法，同样能够取得良好效果。我当时对Killian说：'这是一篇不错的论文。但如果你能证明使用这些模型的仿真可以准确预测有实用价值的材料特性，那它就会成为一篇非常优秀的论文。'Killian把这句话放在了心上，尽可能广泛地对这一方法进行了测试。" Sheriff与Xiao和Cao合作，跨多种合金和特性对该方法进行了测试。团队还借助Owen的实验数据，将仿真结果与合金中原子有序化的真实测量数据进行了对比验证。

从实验室走向产业

该方法之所以有效，部分原因在于它能捕捉样本数据中的隐藏规律。研究人员在论文中将这些规律描述为"对某些局部化学构型的微妙能量偏好"。

这些微小的能量差异至关重要，因为它们决定了合金中哪些相会形成、这些相如何随温度和成分变化，并最终决定材料的特性。作为测试之一，Daniel Xiao主导了一系列仿真，结果表明团队的模型能够预测与实验数据高度吻合的相图。相图用于描绘不同温度和化学成分下哪些相处于稳定状态，是合金设计与加工的核心工具。

Freitas说："相图是人们将材料建模与实际加工决策相连接的主要方式之一。无论是焊接、铸造还是热处理合金，都需要了解在不同条件下可能形成哪些相。我们的目标是让这类预测足够精确、足够易用，使其真正融入材料设计的流程之中。"

研究人员目前正利用这一方法研究合金成分变化对力学性能和辐射耐受性的影响，目标是设计出在恶劣环境下仍能保持强度和抗损伤能力的材料。他们还致力于使该方法更易于与材料工程师现有的工具和工作流程相兼容。

Freitas表示："如果你开发的东西无法融入行业现有的操作流程，产业界是不会改变其工作方式的。我们的目标，是让这些预测在材料决策真正发生的地方发挥价值。"

本研究获得美国空军科学研究办公室的支持。

Q&A

Q1：麻省理工学院的金属合金建模方法是如何解决化学无序问题的？

A：该方法的核心是利用信息论构建更优质的机器学习训练数据集。通过替换样本中重复出现的原子环境，将模型未曾接触过的局部化学环境纳入训练集，从而覆盖化学无序材料中的多样原子环境。这使模型能够更准确地描述原子间化学键，提升仿真的化学高保真度，而无需依赖传统方法中耗费超过10万小时计算时间的暴力计算方式。

Q2：这种金属合金建模方法和谷歌、微软的模型相比，效果如何？

A：研究人员将基于新数据集训练的机器学习模型，与谷歌、微软等公司构建的规模更大的模型进行了对比测试。结果表明，尽管模型规模更小，但在针对化学多样性金属合金的材料特性预测上，新方法训练的模型准确性更高。这说明训练数据集的质量和多样性，对模型性能的影响超过了单纯扩大模型规模。

Q3：这种新型金属合金建模方法有哪些实际应用场景？

A：该方法可广泛应用于需要开发高性能材料的领域。研究人员提到的具体方向包括：新型可持续钢材开发、航空航天材料设计，以及在辐射等恶劣环境下保持强度和抗损伤能力的材料研究。此外，该方法在原理上也适用于半导体等其他类型材料。研究团队正致力于将其与材料工程师现有工具和工作流程相兼容，以便在实际产业决策中发挥价值。