Npj Comput. Mater.: 生成式对抗神经网络：逆向设计金属玻璃

2023-10-24 03:10

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

如何找到能形成块体玻璃的合金体系是一个长期以来人们关注的科学问题。在此之上，如何设计出具有目标性能的块体金属玻璃更是材料科学中的一个热点问题，并且具有广阔的应用前景和商业价值。然而，传统方法通过不断试错来获得具有目标性能的块体金属玻璃不仅耗时而且成本高昂，尤其对于具有复杂成分的金属玻璃（例如高熵金属玻璃）更是如此。

因此，近年来人们通过建立各种不同的机器学习模型来帮助设计金属玻璃。然而，以往的工作主要集中在利用监督型机器学习模型来预测已知合金成分的玻璃形成能力或者机械物理性能。这种方法依赖人类的输入来搜索合金成分空间中可能存在的玻璃形成区域。当合金成分变得非常复杂的时候（比如高熵金属玻璃），成分空间的高维度将使得这种方法变得异常困难而没有效率。同时，传统监督型机器学习模型（回归模型或者分类模型）并不适用于解决材料从性能到成分的逆向设计问题，因为后者需要数据模型自动生成成分和性能关系。

来自香港城市大学机械工程系的杨勇教授团队最近提出了一种结合无监督型的生成式对抗神经网络和监督型的提升树的深度学习框架，可用于复杂成分块体金属玻璃的逆向设计。该团队系统的研究了各种不同的数据描述符以及已有的实验数据对于生成式对抗神经网络有效性的影响。发现人们普遍采用的半经验式数据描述符并不能广泛适用于生成不同类型的金属玻璃，因此需要采用理论指导下新建的数据描述符。通过该深度学习框架，人们可从已有的实验数据中生成块体金属玻璃成分性能关系，从而完成块体金属玻璃从性能到成分的设计（逆向设计）。目前此深度学习框架已被应用于生成具有目标玻璃转变温度，晶化温度以及液相线温度的金属玻璃成分，并且获得了实验验证。而且通过此深度学习模型，可以生成可形成块体金属玻璃的八元合金。这极大地加快了具有独特性能的块状金属玻璃的研究和开发。相关论文近期发布于npj Computational Materials 9: 15 (2023)。

大块金属玻璃逆向设计的生成式深度学习框架流程图

a可用的数据集和可能的描述符。b生成对抗网络算法的草图。c 使用监督学习模型（即金属玻璃分类器）和逆向设计算法评估生成的合金成分。

基于不同类型的金属玻璃原始数据集构建的层次聚类树

a 锆基金属玻璃; b 镧基金属玻璃; c 钛基金属玻璃; d 铁基金属玻璃。

基于锆基金属玻璃数据集的生成式深度学习模型的评估

(a) 文献中报道的锆基块体金属玻璃的二维主成分分析图

(b)通过成分数据描述符(D1)生成的二维主成分分析图和

（d, e）文献数据与用D1(d)和CD1(e)生成的数据的差异。

(f, g) 扩展数据集中的大块金属玻璃 (f) 和使用 CD1 生成的大块金属玻璃 (g) 的二维主成分分析图。(h) Zr_27.3Cu_26.1Hf_16.9Al_9.6Ti_7.2Ni_6.4Ag_5.9Nb_0.4的X射线衍射结果（以原子百分比计）为ф2毫米棒. (i)铸态Zr_27.3Cu_26.1Hf_16.9Al_9.6Ti_7.2Ni_6.4Ag_5.9Nb_0.4棒的照片。(j) Zr_27.3Cu_26.1Hf_16.9Al_9.6Ti_7.2Ni_6.4Ag_5.9Nb_0.4的能量色散 X 射线光谱 (EDX) 元素映射。比例尺表示长度为 100μm。

基于生成器的大块金属玻璃逆向设计

（a）逆向设计算法草图。（b）生成的玻璃转变温度（Tg）、晶化问题（Tx）和液相线温度（Tl）的分布。（c）生成的 Tg 与 Tl 的关系图，从中选择了三个候选成分（S1,S2,S3）。（d）基于所选成分铸造的三个 ф2mm 棒的 XRD 结果，表明非晶结构。（e, f） S1、S2、S3的DSC曲线。（g） Tg、Tx 和 Tl 的测量值与生成值的比较。