通过图神经网络完全绕过昂贵的DFT计算以预测FCC高熵合金中空位形成能的框架

为何更智能的金属设计很重要

从喷气发动机到核反应堆，工程师依赖能够在高温、应力和辐照下长期稳定工作的先进金属合金。一类称为高熵合金的材料通过混合多种金属，形成复杂的原子邻域，使这些材料既强韧又稳定。但预测其中微小缺陷如何影响性能通常需要极其昂贵的量子级别计算。本研究提出了一条捷径，用机器学习取代大部分这类繁重计算，从而加速新型耐用合金的探索。

引导材料宏观变化的微小空隙

在任何金属中，总有少数原子从其规则位置缺失，形成空位。这些微观空隙控制了原子的迁移、金属的变形方式以及材料在应力或高温下的缓慢演变。一个关键数值称为空位形成能，用来衡量创建这种空隙的难易程度。在高熵合金中，许多不同尺寸和电负性差异的原子随机混合，使得该能量在不同位置上变化很大。理解这种变异对于预测蠕变抗性、强度和长期稳定性至关重要，但用传统方法精确计算这类能量非常耗时。

两种简单指纹捕捉复杂行为

作者表明，两种局部指纹即可捕获这些合金中空位复杂性的主要部分：原子周围的体积和相邻原子之间的电荷转移。当尺寸差异很大的原子共享晶格时，潜在空位周围的空间会拉伸或压缩，从而改变形成空位所需的能量。同样，当不同元素邻近时，电荷在它们之间流动，微妙地重塑了键合。通过研究更简单的二元和三元面心立方合金，团队展示了清晰的趋势：在某些合金中空位能随局部体积增加，在另一些合金中则随电荷得失而变化，还有些情况下两者交织影响。

构建代替繁重计算的数字替身

为了在不反复求助昂贵量子模拟的情况下捕捉这些效应，研究人员设计了一个三步的机器学习流水线。首先，他们微调了一个名为CHGNet的现有神经网络模型，使其能够准确弛豫随机合金中的原子位置并再现高熵体系中细微的晶格畸变。其次，他们训练了一个改进的图神经网络，仅使用来自局部环境的信息来预测这些弛豫结构中原子间的电荷分布。第三，他们将结构和预测的电荷一起输入另一个图模型，该模型输出每个原子位点的空位形成能。关键在于，一旦这些模型在适量的小型、较简单合金数据库上训练完毕，就可以将它们应用于更大、更复杂的合金，而无需回到原始昂贵的量子方法。

扩展到现实合金尺寸

在该框架就绪后，团队在镍-铜-金-钯高熵合金上进行了测试，随后将其扩展到含镍、钴和铬的合金中。在从新体系获取少量额外训练数据后，模型既保留了此前学到的知识，又获得了处理新化学成分的能力。它们能够以接近量子计算的精度预测空位能，但成本和时间仅为其一小部分。该方法也适用于数千原子的超胞，这是标准量子模拟难以触及的规模，从而允许研究人员探索更现实的无序合金表征。

对未来材料的意义

简而言之，这项工作表明，精心设计的机器学习模型可以在研究复杂合金中的微小缺陷时，作为可靠的重物理计算替代。通过聚焦于少数具有物理意义的指纹并在较简单体系上训练，作者们创建了一个能够快速扫描庞大设计空间、寻找具备理想缺陷行为合金的工具。这并不完全取代量子计算的必要性，但大大减少了其使用频率，从而使寻找和优化下一代结构材料变得更为可行。

引用: Linton, N., Singh, P. & Aidhy, D.S. Framework to completely bypass expensive DFT calculations via graph neural networks for vacancy formation energy predictions in FCC high entropy alloys. npj Comput Mater 12, 175 (2026). https://doi.org/10.1038/s41524-026-02037-6

关键词: 高熵合金, 空位形成能, 图神经网络, 密度泛函理论, 材料领域的机器学习