Bridging Chemically Distinct Coating Systems: Cross-System Transfer Learning Enables Discovery of Ultralow-Thermal-Conductivity Ferroelastic Tantalates

想象一下喷气发动机或燃气轮机的内部，那是一个金属部件必须在足以熔化大多数其他材料的高温下生存的地方。为了保护这些部件，工程师们用一种被称为热障的特殊涂层对其进行涂覆。这种涂层就像是机器的一件厚重冬装，能阻挡剧烈的热量到达下方的金属，从而让发动机能够以更高的温度和更高的效率运行。几十年来，这项工作的标准材料是一种由钇稳定的陶瓷类型。然而，随着发动机为了产生更多动力而不断向更高温度迈进，这种旧材料开始失效了。它在过热时会改变其内部结构，导致膨胀并产生裂纹，而且它阻挡热量的能力已不足以满足下一代发动机的需求。科学家们一直在寻找一种新的材料，使其能够在极端高温下保持稳定，同时让更少的热量通过。

现在，研究人员通过发现两种在阻挡热量方面表现异常出色的新型陶瓷材料，找到了一个充满希望的解决方案。这些材料属于被称为稀土钽酸盐（rare-earth tantalates）的家族，是通过将不同的稀土元素与钽和氧混合而成。寻找完美配比的挑战在于，可以用来选择的稀土元素种类繁多，且可能的组合数量极其庞大，以至于逐一尝试将耗费一生。研究人员没有测试每一种可能性，而是使用了一种巧妙的、涉及人工智能的方法。他们教给计算机程序一个程序，让它从大量关于已知化学性质相似材料的数据集中学习。一旦程序学会了热量如何在这些类型的陶瓷中移动的一般规律，他们就要求它将这些知识应用于数据匮乏的特定领域——稀土钽酸盐。这种被称为“迁移学习”（transfer learning）的方法，使得计算机无需从大量新数据开始，就能对新材料做出准确预测。

计算机筛选了数十万种潜在的配方，并确定了两种在热导率方面表现最为突出的特定混合物，它们的数值是此类块体陶瓷中有史以来记录到的最低值。其中一种新材料是一种包含五种不同稀土元素的复杂混合物，在摄氏90 la度时，其热导率仅为 1.276 W/(m·K)。这是此类块体陶瓷在该温度下测得的最低值。第二种发现——一种含有八种不同稀土元素的混合物——同样表现出色，其数值为 1.307 W/(m·K)。为了验证这些预测，科学家们在实验室中实际制备了这些材料的样品。他们将原始粉末混合，压成圆盘，然后在炉中进行烧结。当他们测试真实样品时，测量结果与计算机的预测几乎完全吻。这证明了人工智能成功地引导他们找到了正确答案。

这些新材料之所以如此擅长阻挡热量，原因在于它们混乱且复杂的内部结构。在一个完美的晶体中，热量容易传播，因为原子的排列是整齐有序的网格，允许振动从一端平滑地移动到另一端。而在这些新陶瓷中，科学家们刻意将不同尺寸和电学性质的原子混合到同一晶格位置中。这创造了一个混沌的环境，使得原子无法完美地契合在一起。由此产生的晶格畸变，结合材料内部微小的缺陷和不同区域之间的边界，就像是高速公路上的障碍物。当热量试图以原子振动形式穿过材料时，这些障碍物会散射振动，从而捕捉能量并阻止其向前移动。研究人员利用强大的显微镜和计算机模拟观察到了这些效应，证实了热量是被晶格畸变、氧空位以及破坏能量流动的微观畴所阻挡的。

这一发现不仅对于发现的特定材料具有重要意义，对于所使用的研究方法也具有重要意义。该研究表明，当科学家面临可能性过多且数据不足的问题时，他们可以借鉴相关领域的知识来解决问题。通过教计算机理解一类材料中的热传递物理学，然后将这种理解应用于另一类研究较少的材料，他们得以绕过缓慢且昂贵的试错过程。结果表明，创造这种超低热导率材料的最佳方法并非如先前认为的那样简单地混合等量的多种元素，而是要仔细调节比例，以创造出恰到好处的内部无序度。这种方法为设计用于高温应用的先进材料开辟了一条新路径，为如何设计出让我们的发动机运行得更凉爽、更高效的下一代热障提供了蓝图。