AI加速航太材料搜尋：268種新型合金問世

斯科爾科沃科學技術學院（Skoltech）與莫斯科物理技術學院（MIPT）的研究人員，加速了為航太產業、機械工程和電子領域尋找高效能金屬合金的程序。該團隊以機器學習為驅動的方法，為實驗人員在實驗室測試提供了一條快速篩選有潛力合金成分的途徑。

若沒有這一技巧，合金建模的計算量極大，材料科學家不得不憑經驗猜測最具潛力的方向，這往往會忽略一些隱藏的「寶藏」。這項新方法發表於《npj計算材料學》，能更全面地搜尋合金候選者。

純金屬的效能往往不如多種金屬組成的合金，有時合金中還會加入碳或矽等其他元素。透過改變組成元素的成分和比例，就能調整合金的特性，如強度、延展性、熔點、耐腐蝕性、導電性等等。因此，材料科學家一直在為航太技術、機械工程、建築、電子、醫療器械等領域尋找效能更優異的新型合金。

然而，一種新合金只有在實驗室經過全面的特性測試和測量後，才會進入工程師的視野。問題在於，此類實驗極其昂貴且耗時。此外，即便只是模擬探索合金特性的實驗，也需要大量的計算能力，這使得搜尋範圍受限，無法考慮所有可能的選項。

斯科爾科沃人工智慧實驗室「材料設計人工智慧實驗室」主任、研究論文共同作者亞歷山大・沙佩耶夫教授表示：「潛在候選者的數量非常龐大，因為涉及眾多變數，比如合金由哪些元素組成、比例如何、晶體結構是怎樣的等等。舉個例子，在最簡單的二元系統中，比如鈮和鎢，如果我們考慮一個包含20個原子的晶格單元，不考慮對稱性的話，就需要對超過一百萬種可能的組合（即2的20次方）進行建模。」

目前，包括進化演演算法、圖神經網路和粒子群演演算法在內的先進合金建模和篩選方法，適用於有針對性地尋找候選者，而無需遍歷每一種可能的組合。但這樣做存在錯過具有卓越特性的意外材料的風險。

該研究的第一作者、斯科爾科沃資料科學專業碩士生維克托里亞・津科維奇（她也是莫斯科物理技術學院的學士校友）補充道：「目前的方法依賴於透過直接量子力學計算對過程進行基本的物理描述。這些計算非常精確，但複雜且耗時。而我們使用機器學習勢函式，其特點是計算速度快，能夠對所有可能的組合進行篩選，例如每個超晶胞最多20個原子。這意味著我們不會錯過優秀的候選者。」

這種新方法在兩個系統上得到了驗證：五種高熔點金屬和五種所謂的貴金屬。前者包括釩、鉬、鈮、鉭和鎢；後者包括金、鉑、鈀，以及在這項研究中的銅和銀。

在這兩個系統中，研究人員分別考慮了三種元素組成。例如：銅和鉑；或銅、鉑和鈀；或一次性考慮所有五種貴金屬。值得注意的是，每組中的五種元素往往具有相同的晶體結構，這簡化了計算，因為假設合金也具有該結構。

研究人員將他們的搜尋演演算法應用於這六種元素組成（三種貴金屬組成和三種高熔點金屬組成）。該演演算法旨在最佳化所謂的形成能和焓值，這些值表明哪些合金是穩定的。不穩定的合金會自發轉變為其他更穩定的構型。

為了了解新演演算法的效率，不妨看看它讓研究團隊在零溫度下發現了268種新型穩定合金，而這些合金並未收錄在業界常用的先進資料庫中。例如，在鈮 - 鉬 - 鎢系統中，使用機器學習勢函式的方法找到了12種合金候選者，而資料庫中沒有這三種元素組成的三元合金。

新發現合金的特性仍有待透過特定的模擬和實驗進行更詳細的驗證和確定，以確定哪些材料在實際應用中具有潛力。津科維奇表示：「計算建模已經推動了許多具有工業重要性的合金的發現，其應用範圍從汽車車身部件到液氫火箭燃料儲存罐不等。」

與此同時，新演演算法的開發者計劃將他們的方法擴充套件到其他成分和晶體結構的合金。