Robert Rudd，Timofey Frolov和Amit Samanta三人站在模拟C2H4分子的拓扑原子的模型前面，该模型由分子中的原子量子论（QTAIM）定义并通过TopoMS计算得到，每种颜色代表一个原子。来源：劳伦斯利弗莫尔国家实验室
利用机器学习，演化算法和其他先进的计算技术，劳伦斯利弗莫尔国家实验室（LLNL）的研究人员成功地模拟了构成大多数材料的晶体之间的原子排列方式，这一发展可能对未来材料的设计和优化方式产生影响。
尽管大多数材料在肉眼看来可能是均匀的固体，但它们实际上是由微小的晶粒或颗粒组成，它们之间在原子水平上存在着界面，科学家称之为晶界。晶界对于材料特性和功能十分重要，因此这些晶界的结构已被广泛研究。然而，通过手工搜索数十亿种可能的结构，并试图预测它们的行为无异于大海捞针。
LLNL、内华达大学、拉斯维加斯大学，石溪大学和加州大学戴维斯分校的研究人员已经设计了一种基于先进算法和机器学习的方法，能够通过梳理晶界中原子的排列方式，并预测它们将如何在一定条件下相互作用。科学家表示，该方法最终提供了一种预测材料性能的方法，未来可能在开发具有更高强度，更高耐热性或更高导电性的材料方面取得重大突破。这篇论文今年早些时候在菲尼克斯召开的金属和材料学会2018年国际会议上发表。
该项目首席研究员LLNL科学家Timofey Frolov说：“我们开发的第一种计算工具能够有效地采样晶界的可能结构，并找到对应的低能量结构以及重要的亚稳态。令人惊喜和震惊的是，我们自认为已经理解了晶界的结构，但实际上没有。事实上，我们正在从头开始，因为我们所看到的许多晶界结构与我们之前的想法不一样。”
科学家说：“晶界的原子构成是材料在某些条件，如强热或极压条件下，如何表现或改变相位（即固态为液态）的基础。使用机器学习可以探索可能的结构并能够以计算方式对它们进行建模，这可能会对设计用于各种能源应用的材料产生重大影响，这些应用包括固态燃料电池，用于发电的热电，氧传感器，光纤，开关，激光器放大器和镜头等。”
“近年来，机器学习发生了一场革命，从而获得以前无法获得的东西，而以前对晶界结构的研究却给出了不正确的结果，那么就需要这些现代技术的力量来找到正确的答案。”LLNL计算材料科学组组长Robert Rudd说。“近几十年来我们所看到的很多技术变革都是通过以前不存在的材料实现的，因此，为这些结构启用和优化设计将会改变游戏规则。”
研究人员使用铜材料创建并表征了新模型，并成功地用硅，钨和其他材料对其进行了演示和测试。LLNL的聚变能源计划中也已经实施。Frolov表示，他希望进一步开发具有多种元素的系统功能陶瓷的方法，该方法会在高温下显示出迷人和复杂的转变。
“最近大量的实验研究表明，掺杂后陶瓷材料的晶粒生长行为发生了巨大的变化，并且将这些变化与晶界处的结构转变联系起来，”Frolev说。“例如，异常大尺寸晶粒的形成可以彻底改变材料的性质，但难以预测或控制。我们的新方法首先可以提供晶界转变的证据，也可以预测晶界的不同状态，并解释实验中看到材料性质产生突然变化的原因。” 原文来自phys网站，原文题目为Machine learning model predicts phenomenon key to understanding material properties，
