Discovering High-Strength Alloys via Physics-Transfer Learning

金属的强度并非写在标签上的单一数字，它是书写在不同尺寸与时间尺度上的故事。在最微观的层面，原子排列成有序的行阵，如同站立在队列中的士兵。当金属发生弯曲或拉伸时，这些行阵并不会平滑地相互滑动。相反，它们以一种锯齿状、阶梯式的方式移动，由被称为“位错”的微小原子排列缺陷所驱动。想象一下移动一张厚重的地毯：你不会一次性拖动整个地毯，而是制造一个波纹、一个凸起，然后将这个凸起沿着地毯推行，直到地毯发生位移。在晶体中，那个凸起就是位错。推动这个凸起所需的力，是衡量金属强度的基本度量。科学家早已知道，如果他们能计算出这种力，就能预测哪些新合金将是最坚韧的。然而，准确计算这种力对计算机来说是一场噩梦。其中涉及的物理过程非常复杂，其跨越的距离既太大，无法使用最精确的原子模拟；又太小，无法使用工程学中使用的简单规则。几十年来，研究人员一直被两个糟糕的选择所困扰：要么使用一种快速但错误的方法，要么使用一种正确但耗时到无法测试超过少数几种材料的方法。

来自清华大学和中国科学院的研究团队找到了一种走出这一困境的方法。他们开发了一种新的方法，充当了两种不同物理语言之间的翻译官。他们训练了一个计算机程序——一种人工智能——通过研究由快速、近似模拟生成的数百万个示例，来理解原子的运动规则。一旦程序掌握了这些规则，研究人员就将来自那些通常因成本过高而无法用于大型项目的缓慢、超高精度模拟的数据输入其中。该程序利用其对物理学的理解，将精确的数据转化为对强度的预测。这种被作者称为“物理迁移学习”的方法，使他们能够在短短几秒钟内筛选出数千种潜在的金属组合，并识别出那些理应具有极高强度的合金。他们并未止步于电脑屏幕。在这些预测的指导下，他们利用一种高速沉积技术制造了一组新的二元合金——即两种金属的混合物。当他们测试这些新材料时，结果与预测基本吻称，尽管有一种特定的成分形成了玻璃态结构而非预测的晶体结构。他们创造出的合金比同类传统金属强了二十倍，证明了计算机模型可以成功引导从未制造过的现实世界材料的创造。

这项成就的核心在于研究人员如何处理“准确性与性能的权衡”。过去，为了了解金属的强度，科学家必须在速度与真相之间做出选择。他们可以使用经验力场，这是一种模仿原子行为的简化数学规则。这些规则在笔记本电脑上运行得足够快，但往往会出错，与现实相比误差可超过百分之两百。在光谱的另一端是第一性原理计算，它们为每一个原子求解基本的量子力学方程。这些计算极其精确，但由于计算量过于庞大，只能用于微小的、完美的晶体。它们无法处理现实中金属失效时出现的混乱、大规模缺陷。研究人员意识到，原子结构与材料强度之间的关系是一种物理定律，无论使用哪种计算方法，该定律都客观存在。如果计算机能从快速、不完美的数据中学习这种物理定律，它或许就能将同样的规律应用于缓慢、完美的数据。

为了验证这一想法，团队构建了一个金属数字库，包括铜、铁、钛等常见元素以及更稀有的元素。他们使用快速、近似的方法和缓慢、精确的方法进行模拟，观察这些金属的强度如何随原子排列的变化而改变。随后，他们训练了一个受人脑启发的神经网络（一种人工智能），以寻找连接原子细节与强度的模式。该网络学会了识别位错在晶体中运动的底层物理机制。训练完成后，该网络获得了来自缓慢模拟的高质量精确数据。由于网络已经从快速模拟中学到了游戏规则，它可以瞬间预测新材料的强度，且具备化学精度。结果令人瞩目。对于小型系统，新方法将误差从超过百分之两百降低到了百分之五十以下；对于更大、更复杂的系统，误差则根据特定材料和滑移系在百分之四到百分之四十八之间波动。做出预测所需的时间仅为不到一秒，这种速度使得在一天之内筛选数千种候选材料成为可能。

拥有这一强大工具后，研究人员将注意力转向了广阔的已知及理论晶体库。他们专注于寻找被忽视的高强度合金。算法扫描了数千种可能性，寻找那些原子结构能产生最大阻力以抵抗微小凸起运动的组合。该算法识别出了几个有前景的候选者，包括铜钛混合物和铝钛混合物。这些不仅仅是随机猜测；模型预测这些特定的比例会创造出一种亚稳态，即一种虽然强韧但并非原子通常采取的最稳定状态的原子排列。这是一个关键的区别。传统冶金学依赖于寻找最稳定的状态，而这往往会导致较软的材料。新方法表明，通过迫使原子进入一种较低稳定性、高能量的排列，可以实现非凡的强度。

最后的测试是看这些计算机预测能否在混乱的实验室现实中生存下来。团队使用了一种称为离子束沉积的技术来构建合金。这一过程涉及向靶材发射离子以撞击出原子，然后将其捕捉在表面上，从而逐层构建新材料。这种方法允许极高的冷却速率，这对于将原子捕捉在模型预测的亚稳态、高强度状态中是必要的。他们制造了铜钛和铝钛的薄膜，其成分正是模型标记出的“优胜者”。为了测试强度，他们构建了每个宽度仅为几微米的微型材料柱，并用微型压头对其进行挤压。结果非常显著。新合金表现出的强度比传统的低溶质含量合金高出二十倍。当他们在强大的电子显微镜下观察材料时，他们看到强度的来源正是位错在晶体中运动的方式，这完全符合物理迁移模型对成功晶体样本的预测。然而，对于一种特定的合金 Cu4Ti，沉积技术的局限性导致其形成了玻璃结构，未能展现出预期的强度，这凸显了从预测到生产的过程依然复杂。那些确实形成晶体的材料并没有像玻璃一样破碎，而是发生了弯曲和流动，证明了它们是具有增强特性的真正金属。

这项研究的成功不仅在于制造了更强的金属，更在于展示了一种弥合理论与实验之间鸿沟的新科学路径。通过教计算机理解支配材料的物理定律，而非仅仅记忆数据点，研究人员创造了一个能够推广到从未见过的材料上的工具。他们证明了从一种类型的模拟中学到的物理学可以迁移到另一种，从而实现既快速又准确的预测。这种方法为探索更广泛的材料领域打开了大门，包括那些难以合成或仅存在于理论数据库中的材料。研究人员指出，虽然他们的方法成功识别了高强度候选材料，但实际的制备过程仍需要先进的技术来稳定这些材料。并非所有的预测都能产生完美的晶体；有些尝试导致了玻璃态结构，未能展现出预期的强度，这说明从预测到生产的路径仍然复杂。然而，将搜索范围从数百万种可能性缩小到少数几个可行候选者的能力，是一个巨大的飞跃。

这项工作表明，材料发现的未来将依赖于人类洞察力与机器学习的伙伴关系。研究人员并没有取代对物理实验或深层理论理解的需求。相反，他们利用人工智能在不同的物理尺度之间进行翻译，使他们能够看到此前被计算限制所掩盖的联系。他们证明了，通过教机器世界的规则，我们可以帮助我们建立一个更强大、更具韧性的未来。