双重机器学习确定金属玻璃中信息性结构环境的半径

为何玻璃中这一隐匿尺度重要

金属玻璃是被快速冷却以致未能形成晶体的金属。这种缺乏规则结构赋予它们不同寻常的强度和韧性，但也使得有目的地设计它们变得困难：在没有整齐晶格的情况下，很难说哪些原子结构的部分真正控制材料的行为。本文利用先进的机器学习表明，在这些无序材料中确实存在一个“恰到好处”的尺度——一种围绕每个原子的“金发姑娘”邻域——其结构包含关于整个材料如何表现的最有用信息。

在无序金属中看见有序

在普通晶体金属中，工程师可以将强度和延展性与众所周知的特征联系起来，如晶粒尺寸或位错，这些特征在规则晶格中延伸过许多原子。金属玻璃缺乏那种长程有序和明显的缺陷，因此研究者尝试依赖更局部的构件，称为短程有序，即原子围绕中心原子的堆积方式。早期工作表明，仅看最近邻并不足以解释行为：相同的局部母体在不同环境中可能表现迥异。这指向一个关键的未解问题：围绕每个原子我们需要观察多远的距离，才能捕获那些实际上控制宏观性质（如强度和稳定性）的结构模式？

自上而下审视原子邻域

作者首先采取还原主义或自上而下的方法。他们将每个原子的周围环境表示为数学指纹，并将相似指纹归为一类独特的局部环境。对于每个金属玻璃样本，他们统计每种环境出现的频率，并训练一个机器学习模型（XGBoost）来预测样本的总构型能量——该量与材料的强度或延展性密切相关。关键在于，他们在改变从每个原子向外观察的距离时重复整个过程——从仅看第一邻居到跨越若干邻居壳层。模型的预测误差并非随包含更多原子而单调改进。相反，当半径约为5埃（大约到达第二邻居壳层）时性能最佳，随后又变差。在该半径处，独特局部环境的数量和多样性达到峰值，结构熵度量的分布也最为宽广，这表明这个尺度包含了最丰富的结构信息。

从三维图像的自下而上视角

为了检验这个特殊半径是否可能是首个方法的伪影，研究团队构建了第二种截然不同的模型，灵感来自现代图像识别。他们将每个原子结构转换为一对三维像素网格——每种化学元素一个通道——并将这些输入到视觉变换器（vision transformer）中，该神经网络学习网格补丁中的模式。通过调节这些补丁之间允许“通信”的距离，他们控制了一个有效的通信长度，该长度设定了模型可利用的最大结构尺度。随着该长度增加，模型准确度先提升然后趋于平稳：超过对应于约5埃球形半径的通信长度后，额外的范围几乎没有带来益处。对网格中哪些区域最影响预测的独立分析显示，当达到同一尺度时，网络的注意力分布也会收敛。

在不同尺寸和不同玻璃中具有鲁棒性

这两种对比鲜明的机器学习视角——一种基于手工设计的原子指纹，另一种基于原始体素网格——之间的一致性表明，识别出的长度尺度是真实的物理特征，而非建模瑕疵。作者进一步通过改变技术设置、系统尺寸，甚至玻璃材料类型来加以压力测试。更大的模拟盒和更多原子保留了相同的最佳半径。当他们对含铝的更复杂金属玻璃以及化学成分不同的钯-硅玻璃重复分析时，每个体系再次显示出一个特定的信息性半径，在更紧密堆积的Pd–Si情形中该半径略小。非晶碳和硅中也出现类似行为——共价键导致不同但仍明确的特征尺度。在所有这些情况中，模型性能达到峰值或饱和的半径，与关于这些材料中中程组织的独立结构和实验线索相一致。

用简单语言说明该研究的发现

对于非专门读者，核心信息是：即便在看似随机的金属玻璃中，也存在一个自然的“影响区”围绕每个原子——大约向外延伸两层原子——在那里邻居的排列携带了几乎所有用来预测整块玻璃在能量上如何表现的信息。只看最邻近的原子会错过重要的上下文，而看得太远又只是增加冗余细节。通过确定这个信息性结构环境的半径，该工作为未来的模型和实验提供了一个实际的目标尺度。它为通过关注位于这一中间尺度的结构母体来设计更好金属玻璃和其他无定形材料提供了路线图，因为在该尺度上，混沌中的隐含有序最强烈地影响宏观性质。

引用: 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

关键词: 金属玻璃, 机器学习, 原子结构, 中程有序, 构型能量