利用化学与晶体学领域知识的数据高效机器学习预测复杂的Fe–Mo金属间化合物

为何奇特的晶体图案很重要

现代喷气发动机、轻质钢材，甚至一些储氢材料，都依赖于其原子以复杂三维格局排列的金属合金。其中最令人费解的为所谓的拓扑密堆（TCP）相——高度有序但结构复杂的晶格，这些相可能增强合金，也可能使其变脆。预测给定合金中会形成哪种结构对计算要求极高，即便是强大的量子力学方法也常感吃力。本研究表明，通过将化学与晶体学的专家知识注入精心设计的机器学习模型，可以用意外少量的数据可靠地预测铁—钼（Fe–Mo）合金中特别复杂的TCP相的稳定性。

金属原子构成的复杂三维框架

在许多合金中，原子并非简单排列为立方体；相反，它们形成由多面体笼构成的精巧框架，每个原子被12到16个邻居包围。这些TCP相重要，因为它们常以析出相的形式出现——微小颗粒能够显著改变材料的强度、蠕变抗性或腐蚀行为。在Fe–Mo及相关体系中，较简单的TCP相如A15、拉夫斯（Laves）相以及σ和μ相已为人所知，可用常规模拟与量子计算处理。但更复杂的变体，标记为R、M、P和δ，相中含有更多不同的晶胞位点。要穷举在这些位点上放置Fe与Mo的所有方式，所需的昂贵模拟数量将是天文级的，远超标准计算工具的承载能力。

用专家提示教会机器

作者们通过对Fe–Mo中较简单TCP相的不到300个量子力学（DFT）计算进行训练，突破了这一瓶颈。他们没有仅向算法提供原始的成分信息（比如Fe和Mo的含量），而是构建了嵌入领域知识的丰富描述符。这些描述符编码了原子属性（如价电子数与原子体积）、每个原子的局部几何环境，以及原子如何占据具有特定配位数的晶格位点。通过对具有相同局部几何的位点组的局部指纹取平均，模型不仅“看见”有哪些元素存在，还“看见”它们在三维框架中的具体位置。

从局部邻域到可靠的能量图谱

为捕捉互相竞争的晶体排列之间微妙差异，团队借用了几类先进的原子间模型描述符。SOAP和ACE描述符概括了邻近原子的形状与排列，而基于键序的描述符则总结了电子结构的特征，例如允许电子能带的带宽。将这些按原子计算的指纹以尊重晶体内部结构的方式组合并取平均。随后，作者训练了相对简单的回归模型——核岭回归、小型神经网络和随机森林——并系统地测试哪些特征确实能改善预测。随着更多晶体学与化学知识被融入描述符中，预测误差显著下降，最终接近约20毫电子伏/原子的水平，与基础DFT数据的精度相当。

揭示铁—钼中的隐匿相

借助这些紧凑而强大的模型，研究者扫描了四种复杂TCP相R、M、P和δ的众多位点上所有可能的Fe/Mo排列。他们绘制了数万种构型的形成能，以确定哪些构型位于“凸包”上——定义热力学稳定性的最低能量态集合。模型预测，在实验确实在高温下观测到R相的成分区间附近，Fe–Mo的R相可达到负形成能——意味着其本征稳定。M相显示为一个紧随其后的有力竞争者，而P和δ相则始终不太有利，在该合金中不太可能形成。对选定构型进行的额外DFT验证证实了机器学习的预测，尤其是在R和M相上。

实验闭合了环路

为更严格地测试其方法的预测能力，作者将模型结果与针对含R相的Fe–Mo样品所采集的新型同步辐射X射线衍射数据进行了比较。他们的模型结合标准热力学近似，预测了在高温下每个晶体学位点应由Fe或Mo占据的频率。这些预测的位点占据率与精修得到的实验值非常吻合，并遵循经典的“卡斯珀规则”（Kasper rules），即较大的原子倾向于位于邻居更多的位点。该一致性表明模型不仅能正确给出整体能量，还能捕捉几乎等能原子排列之间的微妙差别。

对未来材料设计的意义

通过将化学与结构洞见直接嵌入机器学习描述符，这项工作在仅需适度训练集的情况下实现了对极其复杂晶体结构的精确预测。对于合金设计者来说，它为例行探索此前因复杂性太高而无法穷举的TCP相打开了大门，帮助识别哪些相会增强或削弱材料以及它们在何种条件下出现。更广泛地说，该研究表明，当模型由与人类专家相同的物理推理引导，而非仅依赖原始数据时，数据高效且可信赖的材料科学机器学习是可行的。

引用: Forti, M., Malakhova, A., Lysogorskiy, Y. et al. Data-efficient machine-learning of complex Fe–Mo intermetallics using domain knowledge of chemistry and crystallography. npj Comput Mater 12, 161 (2026). https://doi.org/10.1038/s41524-026-02070-5

关键词: 材料科学中的机器学习, 金属间相, 铁钼合金, 晶体结构预测, 拓扑密堆相