麻省理工学院开发金属合金行为精准建模新方法

在航空航天、能源和计算领域，企业始终在寻找新材料以提升性能。然而，要了解这些材料在火箭或芯片中的实际表现，企业必须先制造材料，再进行测试。这是因为即便是最强大的仿真技术，也难以对当今大多数固体材料中复杂的化学排列进行建模，这一难题使材料创新的成本和周期大幅增加。

如今，麻省理工学院的研究团队开发出一种方法，能够准确模拟金属的行为，无论其化学排列多么复杂。该方法的核心是机器学习模型，可让材料仿真变得更快、更精准。研究人员通过构建能够捕捉化学无序材料中原子环境多样性的训练数据集，进一步提升了这些模型的性能。

相关论文已发表于《科学进展》（Science Advances）。研究人员展示了该方法可在多种条件下准确预测一系列金属合金的材料性能，并证明其可用于开发新材料，尤其适用于实验成本高昂的场景。

"这篇论文聚焦于我所从事的金属合金领域，但这一方法也可以推广到半导体等其他材料类型。"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，"这不局限于某一特定应用，你可以用这种方法开发新型可持续钢材、航空航天新材料等，这正是它令人兴奋的原因。"

论文的第一作者为Killian Sheriff（博士，2026届），其他合著者包括麻省理工学院博士生Daniel Xiao和Yifan Cao，以及谢菲尔德大学高级讲师Lewis R. Owen。

金属建模的挑战

材料的性能主要由其内部化学元素的排列方式决定。即使两种材料的化学成分相同，不同的化学排列也可能使一种材料脆弱易断，另一种则能在不破裂的情况下发生形变。

要捕捉这种差异，需要逐原子对材料进行仿真。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准的方式。当材料内部的化学排列呈现高度有序的规律时，这些模型表现良好；但大多数固体材料的原子化学排列是无序的，且因区域不同而存在差异，这正是问题所在。

"我们领域真正的挑战在于对化学无序相进行建模。"Freitas说，"化学无序意味着局部化学环境种类繁多，机器学习模型很难学习这些内容。而我们实际使用的每一种金属在化学上都是无序的，这使问题更加棘手。"

问题的根源在于缺乏用于逐原子仿真的有代表性训练数据。目前主流的数据生成方法依靠蛮力计算，为单一材料创建训练数据往往需要超过10万小时的计算量，且当研究人员改变材料成分时，该方法的迁移效果也并不理想。

在此前的研究中，Freitas团队已开发出一种通过分析微小原子团簇的频率与间距来衡量固体材料化学复杂性的方法。在本研究中，他们利用这一能力构建了更优质的训练数据集，引入信息论这一数学方法，生成能涵盖无序材料内部更多局部化学环境的训练数据集。该方法通过替换样本中的原子来减少重复，从而让模型接触到原本可能遗漏的化学环境。

"我们不断优化训练集，使其尽可能多地覆盖不同的局部环境。"Freitas说，"如果同一类环境反复出现，我们就用模型此前未见过的样本替换掉冗余示例，这使训练集的信息量大幅提升，因为每个样本都带来了新内容。"

与基于随机采样或其他流行采样方法训练的模型相比，使用研究团队数据集训练的模型在材料性能预测方面表现更为出色。

"所有这些逐原子仿真的出发点都是：你能否准确描述原子间的化学键？"Freitas解释道，"如果不能，仿真仍能提供一些关于材料的普遍知识，但无法告诉你特定材料在现实世界中的表现。这种方法使仿真在化学层面具有更高的保真度，从而更真实地反映材料的实际状态。"

研究人员运用该技术为一组化学成分多样的金属合金创建了机器学习训练数据集，并通过一组机器学习模型证明，在其数据集上训练的模型，精度优于谷歌、微软等公司所建立的更大规模模型。

"我们已经确信，不必依赖那些昂贵的蛮力方法，这套方案同样奏效。"Freitas说，"我当时告诉Killian：'这已经是一篇不错的论文了。但如果你能证明基于这些模型的仿真能够准确预测有实用价值的材料性能，那它就会成为一篇非常出色的论文。'Killian把这话放在了心上，并尽可能广泛地对此进行了测试。"Sheriff与Xiao和Cao合作，在不同合金和性能参数上对该方法进行了验证。团队还借助Owen提供的实验数据，将仿真结果与合金中原子有序性的真实测量值进行了对比。

从实验室到产业

该方法之所以有效，部分原因在于它能够捕捉样本数据中隐藏的规律。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存在微妙的能量偏向"。

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，并最终决定材料所具备的性能。作为测试之一，Daniel Xiao主导的仿真表明，团队的模型能够预测出与实验数据高度吻合的相图。相图描绘了在不同温度和化学成分下哪些相处于稳定状态，是合金设计与加工中的核心工具。

"相图是人们将材料建模与实际加工决策联系起来的主要方式之一。"Freitas说，"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哪些相可能形成。我们的目标是让这类预测足够准确、足够易用，从而真正融入材料设计的实践流程。"

研究团队目前正利用该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。他们还致力于让这一方法更易于与材料工程师已在使用的工具和工作流程相结合。

"如果你的成果无法融入现有的操作流程，业界是不会改变工作方式的。"Freitas说，"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作用。"

本研究获美国空军科学研究办公室资助。

Q&A

Q1：这种金属合金建模新方法为什么比传统方法更好？

A：传统蛮力计算方法需要超过10万小时的计算量才能为单一材料生成训练数据，且换个材料成分就得重来。麻省理工学院的新方法利用信息论优化训练数据集，通过替换重复的原子环境样本，让模型接触到更多样化的局部化学环境，从而用更少的计算资源实现更高的预测精度，其训练模型的准确性甚至超过了谷歌、微软等公司的大规模模型。

Q2：金属合金的相图预测有什么实际用途？

A：相图是连接材料建模与实际加工决策的核心工具，能够显示在不同温度和化学成分下哪些相是稳定的。在焊接、铸造或热处理合金时，工程师需要依靠相图判断哪些相会在特定条件下形成。麻省理工学院团队的仿真模型能够预测出与实验数据高度吻合的相图，有望直接指导工业生产中的材料设计与加工工艺决策。

Q3：这种建模方法未来有哪些应用方向？

A：该方法目前聚焦于金属合金，但研究人员表示也可推广至半导体等其他材料类型。未来应用包括开发新型可持续钢材、航空航天新材料，以及研究合金成分变化对力学性能和辐射耐受性的影响，适用于核能等苛刻环境场景。团队还在积极推动该方法与材料工程师现有工具链的整合，以便让这项技术真正落地工业应用。