覆盖53种金属元素的领域专用机器学习势模型：实现DFT级精度并加速合金原子尺度设计

《npj Computational Materials》：A domain-specific machine learning potential model for metallic materials spanning 53 elements

针对合金原子尺度行为认知不足阻碍靶向优化的难题，研究人员开发了覆盖53种金属元素的领域专用机器学习势(MLP)模型，达到DFT级精度（能量MAE=12 meV/原子，力MAE=144 meV/?），可精准预测晶格参数、弹性常数及状态方程，并通过Ti-Nb负热膨胀、Co25Ni25(TiZrHf)50埃林瓦效应、NbTaMoW多主元合金晶界偏析及Al-Cu基合金θ′/Al界面偏析四个体系验证通用性，为材料研究与合金设计提供原子模拟基础工具。

　　

从青铜时代的青铜器到现代可持续技术中的先进合金，金属材料始终是人类社会进步的基石。然而，尽管人类使用合金已有数千年历史，对其原子尺度行为的理解却依然十分有限——这就像只知道汽车能跑，却不了解发动机内部活塞如何运动。这种认知上的“黑箱”，严重阻碍了合金的靶向优化与高效开发，使得新材料从实验室走向应用往往需要经过漫长的“试错”周期。在这样的背景下，可靠且高效的原子尺度材料设计工具成为了学术界和产业界的迫切需求。

为了填补这一空白，一项发表于《npj Computational Materials》的研究取得了突破性进展：研究人员成功开发了一种覆盖53种金属元素的领域专用机器学习势（Machine Learning Potential, MLP）模型。该模型在保持计算效率的同时，实现了与密度泛函理论（Density Functional Theory, DFT）相媲美的精度，并通过多个典型合金体系的验证，证明了其在加速合金设计与材料研究中的巨大潜力。

在研究过程中，为了构建这一高精度模型，研究人员主要采用了以下关键技术方法：首先，基于包含53种金属元素的大规模数据集进行模型训练，确保模型能够覆盖广泛的金属体系；其次，采用机器学习算法对原子间相互作用进行拟合，平衡模型的精度与计算效率；最后，通过多个维度的基准测试验证模型性能，包括能量、力的均方根误差评估，以及晶格参数、弹性常数和状态方程的预测准确性检验，同时选取Ti-Nb、Co₂₅Ni₂₅(TiZrHf)₅₀、NbTaMoW和Al-Cu基合金四个代表性体系进行实际应用验证。

模型精度与基本性能验证

研究人员首先对模型的精度进行了系统评估。结果显示，该MLP模型达到了DFT级别的精度：能量平均绝对误差（Mean Absolute Error, MAE）为12 meV/原子，力MAE为144 meV/?。进一步的基准测试表明，模型能够准确预测金属的晶格参数、弹性常数以及状态方程，这些是衡量材料势函数性能的核心指标，证明了该模型在描述金属及合金基本物理性质方面的可靠性。

负热膨胀行为研究：Ti-Nb正交相体系

在Ti-Nb正交相体系中，研究人员利用该MLP模型探究了负热膨胀现象。通过原子尺度模拟，模型成功捕捉到了该体系在特定温度范围内的晶格收缩行为，揭示了负热膨胀背后的原子机制，验证了模型在处理复杂晶体结构和反常热学性质方面的能力。

埃林瓦效应研究：Co₂₅Ni₂₅(TiZrHf)₅₀金属间化合物

针对Co₂₅Ni₂₅(TiZrHf)₅₀金属间化合物的埃林瓦（Elinvar）效应——即弹性模量随温度变化极小的特性，研究人员通过MLP模型模拟了其原子振动和晶格动力学行为。结果表明，模型能够准确预测该体系在不同温度下的弹性常数变化，为理解埃林瓦效应的微观起源提供了原子尺度的视角。

高温变形与晶界偏析研究：NbTaMoW多主元合金

在NbTaMoW多主元合金体系中，研究人员聚焦于晶界偏析和高溫变形行为。通过MLP驱动的模拟，他们观察到了不同元素在晶界处的富集现象，并分析了晶界结构对位错运动和塑性变形的影响，揭示了多主元合金在高温下保持高强度和高稳定性的原子机制。

析出路径与界面偏析研究：Al-Cu基合金

对于Al-Cu基合金，研究团队重点研究了θ′相的析出路径以及θ′/Al界面的偏析行为。模拟结果清晰地展示了θ′相从铝合金基体中的形核与长大过程，并量化了界面处溶质原子的偏析程度，这对于理解铝合金的时效硬化机制和优化其力学性能具有重要意义。

综合上述研究结果，该领域专用MLP模型不仅实现了53种金属元素的高精度覆盖，更通过四个具有代表性的合金体系验证了其通用性和实用性。它能够以接近DFT的精度模拟材料的多种物理化学性质，同时计算效率远高于传统的量子力学方法，为原子尺度材料模拟提供了一个强大的基础工具。

这项研究的重要意义在于，它打破了传统合金研究中“试错法”的局限，使得研究人员可以在原子尺度上快速探索合金的成分-结构-性能关系，加速新合金的设计与优化进程。无论是对于理解金属材料的微观行为，还是推动航空航天、能源、电子信息等领域高性能合金的开发，该模型都具有广阔的应用前景。未来，随着数据集的不断扩充和算法的进一步优化，这类机器学习势模型有望成为材料科学研究中不可或缺的核心工具，推动材料发现进入“按需设计”的新时代。