AI在线 AI在线

MIT发现金属制造中的隐藏秩序,机器学习揭开被忽视的非平衡化学结构

编辑丨&好像在大众的印象中,制造合金就是一场极端的「原子洗牌」。 高温、巨压、反复变形——这些过程被认为能把合金里的原子彻底搅匀。 几十年来,材料科学的共识是:只要加热到足够高、变形够剧烈,金属内部的化学秩序就会被完全抹去。
图片

编辑丨&

好像在大众的印象中,制造合金就是一场极端的「原子洗牌」。高温、巨压、反复变形——这些过程被认为能把合金里的原子彻底搅匀。几十年来,材料科学的共识是:只要加热到足够高、变形够剧烈,金属内部的化学秩序就会被完全抹去。

但麻省理工学院的研究团队发现事实并非如此。他们指出,无论金属被加工得多么「猛烈」,原子排列中仍会保留微妙的化学图案——一种隐藏的非平衡秩序。

相关的研究内容以「Nonequilibrium chemical short-range order in metallic alloys」为题,于 2025 年 10 月 8 日发布在《Nature Communications》。

图片

论文链接:https://www.nature.com/articles/s41467-025-64733-z

那些看不见的秩序

金属合金中的原子分布并不完美随机。不同元素之间存在轻微的吸引或排斥,这会形成所谓的化学「短程有序」(short-range order, SRO)。这些局部图案极其细微,往往难以直接观察,因此长期被认为「无关紧要」。

但此次研究指出,这种看法忽视了金属的一个更深层次的物理特性:它们在制造过程中会形成一种远离平衡的状态(far-from-equilibrium state),在这种状态下,化学秩序不仅没有被破坏,反而以新的形式重新出现。

图片

图 1:非平衡材料加工后的残余 SRO。

团队利用 机器学习势能模型(machine learning interatomic potentials),结合 大规模分子动力学模拟(MD),追踪数百万个原子的运动轨迹,模拟真实金属加工过程中的加热、轧制、再加热等循环步骤。

他们发现了一个令人意外的结果:即使在极端条件下,合金内部的原子也从未达到完全随机的状态。相反,系统总会自发形成某种微弱但稳定的化学排列。

机器学习揭示的隐藏物理

为了理解这一现象,研究者建立了一个新的物理模型,揭示这些「残余秩序」的根源——位错(dislocations)。这些像三维涂鸦般的缺陷在金属中穿行时,会推动周围原子移动。

传统观点认为,这种运动会「打乱」结构,但模拟结果显示:位错并不是盲目地搅乱原子,而是更倾向于「走捷径」——它们优先断开能量较弱的化学键,保留强键,从而在「混乱」中形成新的局部规律。

图片

图 2:非平衡化学短程有序的简单物理模型。

模拟显示,这种非平衡化学有序不仅在理论上存在,还能在真实制造条件下长期保持。

即使在快速变形或高温冷却中,金属仍会呈现独特的化学模式——既不同于平衡态的晶格,也不同于完全无序的混合体。研究团队称之为「远离平衡的 SRO」,并首次建立了一个能够量化这一现象的统计模型。

该模型解释了化学模式如何从称为位错的缺陷中产生,这些缺陷就像金属内部的立体涂鸦。当金属变形时,这些涂鸦会扭曲,沿途重新排列附近的原子。

图片

图 3:材料加工过程中的非平衡短程有序结构。

团队在化学模式下的探索最终成为一张将各种金属加工步骤与金属中的不同化学模式联系起来的图。

秩序隐藏于混乱之中

几十年来,金属制造被看作是「把一切打乱再重新塑形」的过程。借助于势能模型,MIT 的这项工作,不仅发现了一种新的物理现象,更让科学家重新审视「随机性」在材料科学中的意义。

也正如研究者所表示的那样:「这可能是合金科学中被忽视的一根操控杆。我们以前试图抹去它,但或许该学会利用它。」

相关链接:https://www.eurekalert.org/news-releases/1101410

相关资讯

哈佛、英特尔等60+顶尖机构联手打造:NeuroBench定义神经形态计算评测新范式

编辑 | 2049在人工智能快速发展的今天,计算效率成为制约其进一步发展的关键瓶颈。 神经形态计算凭借其借鉴生物大脑的创新架构,在能效比和实时处理等方面展现出巨大潜力。 然而,该领域长期缺乏统一的评测基准,使得技术创新难以得到客观衡量和有效比较。
2/17/2025 3:01:00 PM
ScienceAI

速度提高40w倍,牛津新的ML策略计算蛋白的自由能扰动,助力药物发现

编辑 | 白菜叶机器学习为快速准确地预测结合亲和力提供了巨大的希望。 然而,目前的模型缺乏稳健的评估,无法完成(命中到)先导化合物优化中遇到的任务,例如对一系列同类配体的结合亲和力进行排序,从而限制了它们在药物发现中的应用。 牛津大学的研究团队首先提出了一种新的基于注意力的图神经网络模型 AEV-PLIG(原子环境向量-蛋白质配体相互作用图),以解决这些问题。
2/24/2025 3:26:00 PM
ScienceAI

Science子刊,AI与生物物理建模相结合,设计新型蛋白质

编辑 | 萝卜皮机器学习 (ML) 正在改变计算蛋白质设计的世界,数据驱动方法在实验成功率方面超越了基于生物物理的方法。 然而,它们通常被报告为案例研究,缺乏整合和标准化,因此很难进行客观比较。 在最新的研究中,德国莱比锡大学(Leipzig University)的跨学科研究团队在 Rosetta 软件框架内建立了一个精简且多样化的工具箱,用于预测氨基酸概率的方法,以便对这些模型进行并排比较。
3/6/2025 4:42:00 PM
ScienceAI
  • 1