Dataeffektiv maskininlärning av komplexa Fe–Mo‑intermetalliska faser med domänkunskap i kemi och kristallografi

Varför märkliga kristallmönster spelar roll

Moderna jetmotorer, lätta stål och till och med vissa material för vätgaslagring är beroende av metalliska legeringar vars atomer organiserar sig i intrikata tredimensionella mönster. Bland de mest förbryllande av dessa finns så kallade topologiskt tättpackade (TCP) faser — höggradigt ordnade men komplexa kristallstrukturer som antingen kan förstärka en legering eller göra den spröd. Att beräkna vilka av dessa mönster som kommer att bildas i en given legering är så krävande att även kraftfulla kvantmekaniska metoder har svårt att klara det. Denna studie visar hur noggrant utformade maskininlärningsmodeller, genomsyrade av expertkunskap i kemi och kristallografi, pålitligt kan förutsäga stabiliteten hos särskilt komplexa TCP‑faser i en järn–molybden (Fe–Mo)‑legering med förvånansvärt lite data.

Metallatomer i intrikata tredimensionella ramverk

I många legeringar ställer sig inte atomerna i enkla kuber; i stället bildar de utsmyckade ramverk uppbyggda av polyedriska burar, där varje atom omges av 12 till 16 grannar. Dessa TCP‑faser är viktiga eftersom de ofta framträder som utskiljningar — små partiklar som kan förändra en materials hållfasthet, kryphärdighet eller korrosionsbeteende dramatiskt. I Fe–Mo och närliggande system är enklare TCP‑faser såsom A15, Laves‑faserna samt σ‑ och μ‑faser redan kända och kan hanteras med konventionella kvantberäkningar. Men mer komplexa släktingar, betecknade R, M, P och δ, innehåller betydligt fler distinkta atompositioner per kristallenhet. Att fullständigt utforska alla sätt att placera Fe och Mo på dessa positioner skulle kräva ett astronomiskt antal dyra simuleringar, långt utöver kapaciteten hos standardiserade beräkningsverktyg.

Att lära maskiner med experthints

Författarna angrep denna flaskhals genom att träna maskininlärningsmodeller på färre än 300 kvantmekaniska (DFT) beräkningar för de enklare TCP‑faserna i Fe–Mo. I stället för att mata algoritmerna endast med rå kompositionsinformation (hur mycket Fe respektive Mo som finns), byggde de rika deskriptorer som inbäddade domänkunskap. Dessa deskriptorer kodar atomära egenskaper såsom valenselektroner och atomvolym, den lokala geometriska omgivningen kring varje atom och hur atomer upptar gitterplatser med specifika koordinationsnummer. Genom att medelvärdesbilda dessa lokala fingeravtryck över grupper av platser som delar samma lokala geometri, «ser» modellerna inte bara vilka grundämnen som är närvarande utan också hur de sitter i det tredimensionella ramverket.

Från lokala grannskap till pålitliga energikartor

För att fånga de subtila skillnaderna mellan konkurrerande kristallarrangemang lånade teamet avancerade deskriptorer från flera familjer av interatomära modeller. SOAP‑ och ACE‑deskriptorer summerar formerna och ordningen hos omgivande atomer, medan bindningsordningsbaserade deskriptorer fångar kännetecken av den elektroniska strukturen, såsom hur brett energibandet för elektronerna är. Dessa per‑atom‑fingeravtryck kombineras och medelvärdesbildas på ett sätt som respekterar kristallens interna arkitektur. Författarna tränade sedan relativt enkla regressionsmodeller — kernel ridge regression, små neurala nätverk och random forests — samtidigt som de systematiskt testade vilka funktioner som faktiskt förbättrade förutsägelserna. Allteftersom fler kristallografiska och kemiska insikter byggdes in i deskriptorerna sjönk prediktionsfelet dramatiskt, slutligen till omkring 20 millielektronvolt per atom, en nivå jämförbar med noggrannheten i de underliggande DFT‑data.

Avslöjar dolda faser i järn–molybden