Двойное машинное обучение определяет радиус информативных структурных окружений в металлическом стекле

Почему этот скрытый масштаб в стекле важен

Металлические стекла — это металлы, охлаждённые настолько быстро, что они не успевают сформировать кристаллическую решётку. Отсутствие регулярной структуры придаёт им необычную прочность и вязкость, но одновременно усложняет их целенаправленное проектирование: без аккуратного кристаллического узора было неясно, какие элементы их атомной структуры действительно определяют поведение материала. В этой статье с помощью продвинутого машинного обучения показано, что в этих неупорядоченных материалах действительно существует «золотая» зона — размер окрестности вокруг каждого атома, в которой структура содержит наибольшую полезную информацию о том, как будет вести себя весь материал.

Увидеть порядок в неупорядоченных металлах

В обычных кристаллических металлах инженеры связывают прочность и пластичность с известными характеристиками, такими как размер зерен или дислокации, которые простираются на многие атомы в регулярной решётке. Металлические стекла лишены такого дальнодействующего порядка и очевидных дефектов, поэтому исследователи опирались на более локальные строительные блоки — короткодействующие порядки, то есть как атомы упакованы вокруг центрального атома. Ранее показали, что этих ближайших соседей недостаточно: один и тот же локальный мотив может вести себя очень по-разному в зависимости от окружения. Это привело к ключевому вопросу: на каком расстоянии вокруг каждого атома нужно смотреть, чтобы захватить структурные закономерности, реально управляющие макроскопическими свойствами, такими как прочность и стабильность?

Взгляд сверху на атомные окрестности

Авторы сначала используют редукционистский, или «сверху вниз», подход. Они представляют окружение каждого атома в виде математического отпечатка и группируют похожие отпечатки в набор уникальных локальных окружений. Для каждого образца металлического стекла они считают, как часто встречается каждое окружение, и обучают модель машинного обучения (XGBoost) предсказывать суммарную конфигурационную энергию образца — величину, тесно связанную с прочностью и пластичностью материала. Важно, что весь этот процесс повторяется при изменении радиуса, то есть того, насколько далеко от каждого атома они смотрят — от только первых соседей до расстояний, охватывающих несколько оболочек соседей. Ошибка предсказания модели не просто улучшается при добавлении большего числа атомов. Вместо этого она достигает лучшего результата при радиусе около 5 ангстремов, примерно до второй оболочки соседей, а затем снова ухудшается. На этом радиусе число и разнообразие различных локальных окружений достигают максимума, а разброс меры структурной энтропии наиболее широк, что указывает на то, что именно этот масштаб содержит наибольшее структурное разнообразие и информативность.

Снизу вверх: взгляд из 3D-изображений

Чтобы проверить, не является ли этот особый радиус артефактом первого метода, команда построила вторую, принципиально иную модель, вдохновлённую современным распознаванием изображений. Они преобразовали каждую атомную структуру в пару трёхмерных пиксельных сеток — по одному каналу для каждого химического вида — и подали их в vision transformer, нейронную сеть, которая изучает закономерности в патчах сетки. Управляя тем, насколько далеко эти патчи могут «общаться» друг с другом, исследователи контролировали эффективную длину связи, задающую наибольший структурный масштаб, доступный модели. По мере увеличения этой длины точность модели растёт, но затем выравнивается: за пределом длины связи, соответствующей сферическому радиусу около 5 ангстремов, дополнительный охват почти не даёт пользы. Независимый анализ регионов сетки, оказывающих наибольшее влияние на предсказание, показывает, что внимание сети также сходится при достижении того же масштаба.

Устойчиво для разных размеров и стекол

Согласие между этими двумя контрастными взглядами машинного обучения — одним, построенным на вручную сконструированных атомных отпечатках, и другим, работающим с необработанными воксельными сетками — указывает на то, что выявленный масштаб является реальной физической особенностью, а не модельной странностью. Авторы дополнительно проверяют эту идею, меняя технические параметры, размеры систем и даже типы стеклообразных материалов. Большие симуляционные ящики с большим числом атомов сохраняют тот же оптимальный радиус. При повторении анализа для более сложных металлических стекол, содержащих алюминий, и для химически отличного стекла палладий–кремний, в каждой системе снова обнаруживается специфический информативный радиус, который в более плотно упакованном случае Pd–Si немного меньше. Похожее поведение наблюдается в аморфном углероде и кремнии, где ковалентные связи задают иные, но всё же чётко определённые характерные масштабы. Во всех этих случаях радиус, при котором производительность модели достигает пика или насыщается, коррелирует с независимыми структурными и экспериментальными сигналами о порядке среднего диапазона в этих материалах.

Что показывает исследование простыми словами

Для неспециалиста основной вывод таков: даже в кажущемся случайным металлическом стекле существует естественная «зона влияния» вокруг каждого атома — примерно на расстоянии двух атомных шагов — где расположение соседей содержит почти всю информацию, нужную для предсказания энергетического поведения всего образца. Смотрение только на самых ближайших соседей упускает важный контекст, а просмотр слишком далёких окружностей добавляет лишь избыточные детали. Точное определение этого радиуса информативных структурных окружений даёт практическую целевую шкалу для будущих моделей и экспериментов. Это служит дорожной картой для проектирования лучших металлических стекол и других аморфных материалов, фокусируя внимание на структурных мотивах, которые живут на этом промежуточном масштабе, где скрытый порядок в беспорядке сильнее всего определяет макроскопические свойства.

Цитирование: Wang, M., Wang, Y., Islam, M. et al. Dual machine learning pinpoints the Radius of Informative Structural Environments in metallic glasses. npj Comput Mater 12, 122 (2026). https://doi.org/10.1038/s41524-026-01997-z

Ключевые слова: металлическое стекло, машинное обучение, атомная структура, порядок среднего диапазона, конфигурационная энергия