先进的金属合金是现代生活不可或缺的一部分，汽车、建筑材料和电子产品等均采用这种材料。然而，大多数金属由微小的晶粒构成，由于研究人员对晶粒边界的了解十分模糊，为特定应用创造具有最佳强度、硬度、耐腐蚀性和导电性等性能的新合金受到限制。

（图片来源：phys.org）

当两种金属混合在一起时，再生金属的原子可能沿晶界聚集，也可能通过晶粒内的原子晶格进行扩散。在很大程度上，材料的整体性能取决于原子的行为，但目前还没有预测这种行为的系统方法。

据外媒报道，麻省理工学院（MIT）的研究人员找到了一种方法，结合计算机模拟和机器学习过程，对材料性质进行详细预测，从而指导开发新合金，使其应用广泛。

材料科学与工程系教授Christopher Schuh表示，理解多晶金属的原子层面行为是一个巨大的挑战，而我们使用的绝大多数金属都是多晶金属。在单个晶体中，原子是有序排列，因此相邻原子之间的关系简单且可预测。然而，对于大多数金属物体中的多个微小晶体来说，情况并非如此。他说：“晶体在我们所谓的晶界被混在一起。而在传统结构材料中，有数百万计这样的晶界。”

这些边界有助于确定材料的特性。“你可以把它们看成是把晶体粘在一起的胶水。但它们是无序的，原子被弄乱了，与所加入的任何一种晶体都不匹配。”这意味着可能有数十亿种可能的原子排列。相比之下，一个晶体中可能只有几种排列。因此，开发新合金时，需要“尝试设计这些金属内部区域，比起进行单晶体设计，实际上这要复杂数十亿倍。”

以往，人们在设计新合金时会忽略这个问题，或者只关注晶界的平均性质，但事实并非如此。在本项研究中，研究团队采用更严密的方法，检测大量有代表性案例的实际分布结构和相互作用，然后利用机器学习算法，根据这些特定案例进行推断，并提供各种可能合金变体的预测值。

在某些情况下，原子沿晶界聚集是一种理想特性，能够提高金属的硬度和耐腐蚀性，但有时会导致脆化。根据合金的预期用途，工程师可以尝试优化性能组合。在本项研究中，该团队基于文献中描述的基本组合，检测了200多种不同的基础金属和合金金属组合。研究人员系统地模拟了其中一些化合物，以研究其晶界结构。然后，通过机器学习，利用这些数据生成预测值，并辅以更有针对性的模拟验证。结果，机器学习预测值与具体测量结果高度吻合。

研究人员证明，许多已被排除在外的合金组合，实际上是可行的。根据本项研究汇编的新数据库现已向公共领域开放，为所有新合金设计人员提供帮助。该团队正在深入进行分析工作。Schuh表示：“在我们的设想里，我们要做的是拿出元素周期表的每一种金属，然后把周期表中的其他元素都加进去，检查每一种可能的组合。现在关于这些组合的大多数基本数据还不可用，但随着所进行的模拟和数据收集越来越多，可以将这些数据整合至新系统中。”