能夠根據(jù)結(jié)構(gòu)信息預(yù)測材料的失效，對于設(shè)備和組件的監(jiān)測來說是一個具有巨大實際意義和工業(yè)相關(guān)性的基本問題。由于深度學(xué)習(xí)技術(shù)的最新進展，即使是對非常無序的固體也可以進行準(zhǔn)確的失效預(yù)測，但在此過程中使用的參數(shù)的數(shù)量，使得對結(jié)果的物理解釋變成不可能。

在此，來自意大利米蘭大學(xué)的Stefano Zapperi等研究者解決了上述這個問題，從其初始未變形的結(jié)構(gòu)，使用機器學(xué)習(xí)方法來預(yù)測模擬了二維二氧化硅玻璃的失效。相關(guān)論文以題為“Predicting the failure of two-dimensional silica glasses”發(fā)表在Nature Communications上。

論文鏈接：

https://www.nature.com/articles/s41467-022-30530-1

基于結(jié)構(gòu)信息預(yù)測材料失效，是材料科學(xué)與工程的核心挑戰(zhàn)。在無序固體的情況下，這個問題尤其棘手，因為內(nèi)部的非晶態(tài)結(jié)構(gòu)，阻礙了對孤立缺陷的直接識別，而這些缺陷可能成為裂紋形核的種子。在玻璃理想化模型的分子動力學(xué)模擬的指導(dǎo)下，定義經(jīng)驗結(jié)構(gòu)指標(biāo)并通過相關(guān)分析評估其預(yù)測價值是可能的，但使用它們來預(yù)測現(xiàn)實的無序固體，如二氧化硅玻璃或聚合物網(wǎng)絡(luò)，是極具挑戰(zhàn)性的。現(xiàn)代機器學(xué)習(xí)方法，為基于結(jié)構(gòu)的預(yù)測的系統(tǒng)發(fā)展，提供了一個有前途的替代途徑，這已經(jīng)在分子特性、密度泛函理論、力場、動力學(xué)系統(tǒng)的控制方程以及晶體塑性的流動和位錯模型中得到了證明。到目前為止，玻璃的應(yīng)用僅限于理想化的模型，即所謂的Lennard-Jones玻璃，可通過支持向量機(SVM)、圖神經(jīng)網(wǎng)絡(luò)(GNN)和深度學(xué)習(xí)對其進行分析。基于深度學(xué)習(xí)方法的預(yù)測正變得越來越準(zhǔn)確，但它們也很難解釋。在玻璃的背景下，這意味著盡管深度學(xué)習(xí)可以準(zhǔn)確地預(yù)測材料何時會失效，但失效的結(jié)構(gòu)決定因素往往仍不明確。

二維硅玻璃，通過在石墨烯襯底上沉積SiO2分子的單層雙分子層首次被觀察到，可能提供了無序固體的最簡單的例子。電子顯微鏡或原子力顯微鏡可以直接觀察到其原子結(jié)構(gòu)和缺陷動力學(xué)，而分子動力學(xué)模擬可以精確地再現(xiàn)其結(jié)構(gòu)特征和研究其力學(xué)性能。

圖1 系統(tǒng)原理圖和算法

在此，研究者通過機器學(xué)習(xí)方法分析了二維石英玻璃的結(jié)構(gòu)和失效行為，并說明了如何在保持結(jié)果的定性可解釋性的情況下實現(xiàn)準(zhǔn)確的失效預(yù)測。這要歸功于梯度加權(quán)類激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)的使用，它允許人們在進行預(yù)測時可視化深度神經(jīng)網(wǎng)絡(luò)的關(guān)注點(見圖1)。然后，研究者利用梯度加權(quán)類激活映射Grad-CAM，來構(gòu)建與預(yù)測相關(guān)的注意力映射，并證明這些映射可以根據(jù)拓?fù)淙毕莺途植縿菽苓M行物理解釋。研究者表明，他們的預(yù)測可以轉(zhuǎn)移到與訓(xùn)練中使用的不同形狀或大小的樣本，以及實驗圖像。該策略說明了通過數(shù)值模擬結(jié)果訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)，如何為實驗測量的結(jié)構(gòu)的行為提供可解釋的預(yù)測。

圖2 二氧化硅樣品的過濾

圖3 機器學(xué)習(xí)將局部混亂和全局混亂分類

圖4 機器學(xué)習(xí)可以預(yù)測斷裂應(yīng)變

圖5 機器學(xué)習(xí)可以預(yù)測破裂的位置

圖6 將學(xué)習(xí)轉(zhuǎn)移到處理更大的樣本和實際實驗

綜上所述，研究者利用不同的機器學(xué)習(xí)策略來預(yù)測硅玻璃的失效行為。該結(jié)果突出了常用的原子級局部模型的局限性，在斷裂的情況下不可避免地會產(chǎn)生大量的假陽性預(yù)測，但在算法的可擴展性方面有明顯的優(yōu)勢。基于全局圖像的模型提供了可靠的預(yù)測，得益于Grad-CAM地圖，研究者可以直觀地檢查失效的結(jié)構(gòu)決定因素，并將它們與原子微觀結(jié)構(gòu)的物理和拓?fù)涮卣髀?lián)系起來。

這可能為未來混合多尺度模擬方案鋪平道路，該方案結(jié)合了數(shù)值效率和高精度：先驗識別樣本中需要物理準(zhǔn)確描述的區(qū)域(這里是破裂部位和破裂路徑)的能力允許使用混合模擬方案，將這種準(zhǔn)確的描述與樣本其余部分的粗糙描述結(jié)合起來，比如在不影響數(shù)值精度的情況下顯著降低數(shù)值成本。

審核編輯 ：李倩