用于物理知情发现极其坚硬多组分块体金属玻璃的注意力增强变分学习

为何更坚硬的玻璃态金属很重要

从微型传感器到耐磨机件，我们依赖的许多设备都受限于表面划伤或变形的速度。一类被称为金属玻璃的特殊材料既能具备很高的强度又耐腐蚀，但在成千上万种可能的金属组合中找到合适配方既缓慢又昂贵。本研究展示了人工智能系统如何在那个庞大的搜索空间中导航，提出不仅稳定而且异常坚硬的新型金属玻璃。

像冻结的液体一样行为的金属

金属玻璃是被快速冷却的金属，其原子来不及排列成普通晶体中的规整结构，而是冻结成无序的、类似玻璃的结构。这种缺乏晶体缺陷使它们非常坚固，但也意味着材料内部的微小区域——称为剪切变换区——控制着其在应力下的流动。化学成分的微小调整会显著改变这些区域的激活难易，从而决定材料的硬度或软度。由于每种合金可能包含多种元素，在实验室中尝试所有可能的混合几乎不可能。

教会神经网络有关坚硬合金的规则

为了解决这一挑战，作者构建了一个名为VIBANN的人工智能框架，从经过整理的块体金属玻璃成分数据库、施加的载荷以及测得的硬度数据中学习。模型不把每种成分视为同等重要，而是使用注意力机制更强地关注对硬度最相关的元素。随后它将所有这些信息压缩到保持关键物理因子的低维“潜在空间”中。这个压缩的映射不仅使模型能够预测已知合金的硬度，还能以受控方式探索新组合，同时估计自身的不确定性。

在隐匿的设计地图上导航

在学得的潜在空间中，具有相似结构和硬度的合金会聚集在一起，形成可以像地形一样穿越的平滑区域。研究人员在这张“地形”上拟合了统计模型，以识别数据可信且化学上合理的区域。然后他们采用两步搜索：首先是采样阶段，在潜在空间中提出许多有前景的候选点，偏向高硬度但低不确定性；其次是精炼阶段，使用基于梯度的优化将选定点向硬度更高处微调。每个点再被解码为遵守基本化学约束（例如成分比例总和为100%）的实际合金配方。

从计算建议到实物棒材

人工智能提出了五种相关的合金配方，这些配方富含硼和钽、钨等难熔金属。研究团队熔炼并吸模铸造出厚度为2毫米的棒材，并通过X射线与电子显微镜确认它们形成了完全无定形的金属玻璃。用维氏显微硬度计在不同载荷下测试时，所有五种合金都表现出极高的硬度，其中一种成分的硬度约为2450 HV，可与某些陶瓷相媲美，且位列块体金属玻璃报道值的高位。测得值与人工智能的预测高度吻合，包括在对压痕周围表面堆积进行仔细修正后硬度随载荷变化的趋势。

是什么让这些玻璃如此耐压

为理解所设计合金为何如此坚硬，作者将高能X射线散射与原子尺度模拟结合起来。他们发现表现最好的合金具有若干共同特征：极致致密的原子堆积、大比例的以硼为中心且邻近原子较多的环境，以及类似二十面体（icosahedra）和其他紧密簇的局部构型。这些特征几乎没有给原子移动留下空隙，使剪切带在载荷下更难扩展。即便总体元素配比看起来相似，组成上的细微变化若降低了这种致密堆积，也会显著降低硬度。

这一方法如何改变材料发现

总体而言，该研究表明一个在物理上有信息性并能感知不确定性的人工智能模型，能够超越简单的性质预测，主动提出并验证新材料。通过证明所建议的合金在实验上可实现、在块体形式下保持完全玻璃态并达到卓越的硬度水平，工作展示了基于注意力和变分学习的方法如何将稀疏、分散的数据转化为用于有针对性合金设计的实用地图。

引用: 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

关键词: 金属玻璃, 合金设计, 机器学习, 材料发现, 硬度