Вариационное обучение с механизмом внимания для физически информированного обнаружения исключительно твердых многокомпонентных объемных металлических стекол

Почему важны более твердые стекловидные металлы

Многие устройства, на которые мы полагаемся — от крошечных датчиков до деталей машин, устойчивых к износу — ограничены тем, как быстро их поверхности царапаются или деформируются. Особый класс материалов, называемых металлическими стеклами, может сочетать высокую прочность и коррозионную стойкость, но поиск подходящей рецептуры среди тысяч возможных металлических комбинаций занимает много времени и дорого обходится. В этом исследовании показано, как система искусственного интеллекта может ориентироваться в этом обширном пространстве поиска и предлагать новые металлические стекла, которые не только стабильны, но и исключительно твердые.

Металлы, ведущие себя как замерзшие жидкости

Металлические стекла — это металлы, охлажденные настолько быстро, что их атомы не успевают выстроиться в регулярные решетки, характерные для обычных кристаллов. Вместо этого они замерзают в беспорядочной, стекловидной структуре. Отсутствие кристаллических дефектов делает их очень прочными, но одновременно означает, что крошечные области внутри материала, называемые зонами сдвиговой трансформации, управляют его поведением под нагрузкой. Небольшие изменения в химическом составе могут кардинально менять, насколько легко активируются эти зоны, а значит, насколько твердым или мягким будет материал. Поскольку каждый сплав может содержать множество разных элементов, попробовать все возможные смеси в лаборатории практически невозможно.

Обучение нейросети правилам прочных сплавов

Для решения этой задачи авторы создали ИИ‑фреймворк под названием VIBANN, который обучается на курируемой базе данных составов объемных металлических стекол, нагрузок, применяемых при испытаниях, и измеренной твердости. Вместо того чтобы относиться ко всему ингредиенту одинаково, модель использует механизм внимания, чтобы сильнее фокусироваться на элементах, наиболее важных для твердости. Затем она сжимает всю эту информацию в низкоразмерное «латентное пространство», которое при этом сохраняет ключевые физические факторы, контролирующие свойства. Эта сжатая карта позволяет модели не только предсказывать твердость известных сплавов, но и исследовать новые комбинации в управляемом виде, оценивая собственную неопределенность.

Ориентирование по скрытой карте дизайна

В обученном латентном пространстве сплавы с похожими структурами и твердостью группируются вместе, образуя плавные регионы, по которым можно перемещаться как по ландшафту. Исследователи подогнали к этому ландшафту статистическую модель, чтобы выявить области, где данные надежны и химически правдоподобны. Затем они использовали двухэтапный поиск: сначала этап выборки, предлагающий множество перспективных кандидатов в латентном пространстве со смещением в сторону высокой твердости и низкой неопределенности; затем этап уточнения, который с помощью градиентной оптимизации подтягивает отобранные точки в сторону повышения твердости. Каждая точка декодируется обратно в реальный состав сплава, который соблюдает базовые химические ограничения, такие как сумма долей, равная 100 процентам.

От компьютерных предложений к реальным пруткам

ИИ предложил пять родственных рецептур сплавов, богатых бором и тугоплавкими металлами, такими как ниобий и вольфрам. Команда расплавила и вакуумно оттянула эти сплавы в прутки толщиной 2 миллиметра и подтвердила с помощью рентгеновской и электронной микроскопии, что они образовали полностью аморфное металлическое стекло. При испытаниях методом Викерса на микро твердость в диапазоне нагрузок все пять сплавов показали чрезвычайно высокую твердость, причём один состав достиг примерно 2450 HV — сопоставимо с некоторыми керамиками и среди самых высоких значений, зарегистрированных для объемных металлических стекол. Измеренные значения тесно соответствовали прогнозам ИИ, включая зависимость твердости от нагрузки после тщательных коррекций на приподнимание поверхности вокруг отпечатков.

Почему эти стекла так устойчивы

Чтобы понять, почему разработанные сплавы такие твердые, авторы сочетали эксперименты с рассеянием рентгеновских лучей высокой энергии и атомистические моделирования. Они обнаружили, что лучшие по свойствам сплавы имеют несколько общих черт: очень плотную атомную упаковку, высокую долю бор-центрированных окружений с большим числом соседей и локальные мотивы, напоминающие икосаэдры и другие плотно упакованные кластеры. Эти особенности оставляют мало свободного пространства для перестановки атомов и затрудняют распространение сдвиговых лент под нагрузкой. Тонкие смещения в составе, уменьшающие эту плотную упаковку, приводят к заметно меньшей твердости, даже когда общий набор элементов выглядит схожим.

Как этот подход меняет открытие материалов

В целом исследование демонстрирует, что модель ИИ, спроектированная с учетом физических принципов и осведомленности о неопределенности, может выйти за рамки простого предсказания свойств и активно предлагать и проверять новые материалы. Показав, что предложенные сплавы реализуемы экспериментально, остаются полностью стекловидными в объемной форме и достигают исключительных уровней твердости, работа иллюстрирует, как подходы на основе внимания и вариационного обучения могут превращать разреженные, разрозненные данные в практическую карту для целенаправленного проектирования сплавов.

Цитирование: Bajpai, A., Wang, J., Ratzker, B. et al. Attention-enhanced variational learning for physically informed discovery of exceptionally hard multicomponent bulk metallic glasses. Nat Commun 17, 4266 (2026). https://doi.org/10.1038/s41467-026-73008-0

Ключевые слова: металлическое стекло, проектирование сплавов, машинное обучение, открытие материалов, твердость