• 作者介绍

通讯作者

刘轶 教授

在东北大学获得材料专业的学士和硕士学位，1997年在中国科学院金属研究所获得博士学位。然后分别在日本名古屋大学 (1997-2002年)、德国尤利希研究中心 (2002-2003年)、加拿大西安大略大学 (2003-2005年)、美国加州理工学院 (2006-2012年) 从事计算材料学研究。2012年回国在上海理工大学材料学院学院任教授。2015年开始至今在上海大学物理系和材料基因组工程研究院任教授。主持和参与国家和省部级科研项目10余项，发表高水平学术论文120余篇，获得授权发明专利10余项。引用~4000次，H-index31。现任“中国材料研究学会材料基因组分会”秘书长、“中国材料研究学会计算材料分会”委员、“中国化学会计算机化学专业委员会”委员。担任 Materials in Service 副主编、Journal of Materials Informatics、MGE Advances、AI Materials 和 AI Agent 等学术期刊编委。目前研究兴趣主要是基于材料基因工程和“人工智能+材料”理念，以材料智能体为平台，融合多尺度计算 (第一性原理和分子动力学)、高通量实验 (全流程自动化制备和表征) 和机器学习方法 (特征工程和智能优化策略)，实现低成本、高效率的材料成分和工艺优化设计。聚焦研究的合金材料体系包括关键工程合金 (钢铁、铝、铜等) 和航空航天/核电领域用的难熔高温合金 (高熵合金、镍合金、锆合金、钼合金和铌合金等)。此外，自主开发系列的新一代反应力场ReaxFF势函数，并利用分子动力学研究清洁燃料的燃烧过程、纳米碳材料的微观形成机制和合金拉伸断裂的微观过程等。

第一作者

方李鑫

计算机应用技术硕士，毕业于上海大学材料基因组工程研究院，师从张统一院士和刘轶教授，研究方向为“人工智能+材料”，主要负责论文建模预测和分析部分。

• 文章导读

机器学习原子间势 (MLIPs) 通常针对全局有序的近平衡体系开发，但在多元工程合金中，掺杂元素往往呈现局部化学无序和键合畸变，传统基于理想平衡均质体系的基座模型对缺陷体系的外推预测能力严重不足。如何让MLIPs快速适应描述合金掺杂等缺陷体系，成为加速实用工程合金设计的核心瓶颈。

上海大学材料基因组工程研究院刘轶团队、新加坡先进研究联盟 (BEARS) 任泽坤团队联合在 Materials 期刊发表的文章“Fine–Tuned MACE Foundation Model for Substitutional Doping in Mo–Based Alloys: From Globally Ordered to Locally Heterogeneous Systems”(Fang et al., Materials 2026, 19, 1715；https://doi.org/10.3390/ma19091715)，系统研究了基于MACE基础模型向掺杂缺陷体系的迁移学习策略。论文构建了含有20种掺杂元素、超过7000个第一性原理钼基稀合金掺杂体系数据集 (含平衡和非平衡构型)，通过微调 (fine–tuning) 迁移学习使能量和力预测精度达到当前最佳水平，并系统揭示了元素级外推的困难与突破通道，为多元合金的智能化设计提供了高效可操作的迁移学习范式。

图1表示了BCC和FCC钼金属晶格中包含合金元素掺杂的缺陷体系，直观展示了理想的全局均质体系和局部异质缺陷体系的原子环境差异。

图1. 局部异质体系的典型代表原子示意图：(a) BCC和 (b) FCC掺杂钼合金缺陷体系

• 研究过程与结果

本研究采用“预训练+微调”的迁移学习策略，整体工作流程如图2所示。首先利用MACE–MP–0基础模型在大规模晶体数据库上预训练；随后使用DFT计算的掺杂结构数据 (>7000个构型) 对模型进行微调；最终将微调后的模型应用于局部无序的掺杂合金体系，实现高精度能量和力预测。以下分步骤详细阐述。

图2. 从MACE基座模型向掺杂缺陷体系进行迁移学习的工作流示意图：(1) 掺杂体系数据计算；(2) 预先训练模型、从头训练模型和微调模型的构建；(3) 模型比较评价 (含随机数据集划分和新元素留一法划分等以及消融实验)；(4) 模型应用 (未知新元素体系预测)

1.掺杂数据集的构建与微调策略

研究团队选取了20种掺杂元素 (Cr、Fe、Mn、Nb、Re、Ta、Ti、V、W、Y、Zr、Al、Zn、Cu、Ag、Au、Hg、Co、Ni、Hf)，浓度保持在0.78–1.85 at.%的稀限范围。利用DFT (VASP，GGA–PBE泛函) 计算了BCC和FCC两种母晶格中单/双掺杂位点的平衡和非平衡几何弛豫结构，总样本量超过7000个。所有结构均包含每原子能量和原子力标签。

为了评估迁移学习的效果，作者对比了三种范式：

Zero–shot：直接使用预训练的MACE–MP–0基座模型进行预测，不更新参数；

Scratch：随机初始化，针对掺杂体系数据集从头训练；

Fine–tune：在基座模型的预训练权重基础上，使用掺杂体系数据集继续微调参数进行优化。

所有模型在相同的训练/验证/测试划分下，采用相同的损失函数 (能量和力各权重30) 进行公平比较。

2.随机划分 (IID) 下的精度突破

在平衡结构数据集 (420个样本) 上，微调模型 (FT–E) 的能量平均绝对误差 (MAE) 低至7.34–17.07  meV/atom，而从头训练模型 (Scratch–E) 的误差高出约7–10倍，零样本模型 (Zero–shot–E) 的误差更高出10–20倍。

当进一步加入几何弛豫过程中非平衡结构 (6970个样本) 进行微调后 (FT–E_NE)，模型精度提升至能量MAE 2.27  meV/atom、力MAE 13.83  meV/Å，对应的均方根误差分别为3.79  meV/atom和24.26  meV/Å，达到同类研究中的最佳水平。过去计算中常被遗弃的几何弛豫过程中的非平衡结构能量和力的数据在机器学习建模中变废为宝，发挥了重要的积极作用。

下图展示了非平衡数据集中原子力的预测与DFT参考值的对比 (大参数规模模型)。各力分量 (Fx, Fy, Fz) 散点紧密围绕y=x对角线，即使在受力较大值 (> 600  meV/Å) 区域也保持良好聚集，验证了微调后模型在复杂局部环境中的强大预测能力。

图3. 非平衡结构数据集中原子力预测值与DFT参考值对比 (基于大规模MACE模型)

图中红色、绿色、蓝色散点分别代表原子力的三个分量 (Fx、Fy、Fz)，黑色实线为理想预测线y=xy=x，黑色虚线为±100% MAE的偏差带。该大规模模型 (参数规模约572万) 的能量MAE为2.27  meV/atom，力MAE为13.83  meV/Å，力RMSE为24.26  meV/Å。散点紧密围绕对角线，即使在大力值 (>600  meV/Å) 区域也保持良好聚集，表明微调后的模型具有优异的原子力预测能力。

3.元素级外推 (LODO) ——迁移边界揭示

为了模拟真实掺杂设计中“未知元素”的预测场景，作者设计了两种留一元素外推协议：

Strict-LODO：训练集中完全不含待测元素 (单/双掺杂均排除)。结果：能量MAE急剧升高至76–132  meV/atom，表明模型几乎无法外推到完全未见化学元素。

Relaxed-LODO：单掺杂排除待测元素，但允许双掺杂中部分出现该元素 (即“部分暴露”)。结果：对于大多数掺杂元素 (Fe、Mn、Nb、Re、Ta、Ti、V、W)，能量MAE降至6–10  meV/atom，性能提升了一个数量级以上。

这一对比充分说明：针对完全未见的掺杂元素外推预测仍然困难，但只要在训练集中引入少量含该元素的共掺杂结构 (双掺杂)，模型即可快速获得高精度预测能力。例外元素Cr和Y在Relaxed–LODO下性能反常下降，可能与Cr的磁学特性或Y的较大原子半径有关，提示未来需要显式引入磁性/电子描述符。

4.完全未知元素的验证

研究团队进一步选取了9种训练集中从未出现的元素 (Al、Zn、Cu、Ag、Au、Hg、Co、Ni、Hf) 进行两种预测策略的对比 (如图4所示)：

直接推断 (DIPI)：用已知元素的嵌入代理未知元素。能量MAE约为60  meV/atom，且存在系统性低估 (散点图呈带状偏移)。

重新微调 (refine-tune)：每种新元素仅补充约50个结构后重新微调模型。结果：能量MAE降至16.12  meV/atom，误差降低超过73%。

图4. 新元素能量外推预测性能对比

(a) 直接推断 (DIPI)，能量MAE=60.38  meV/atom，数据点偏离对角线，呈系统性低估；(b) 引入少量数据重新微调 (refine–tuned) 后，能量MAE降至16.12  meV/atom，数据点更靠近对角线。表明引入少量目标元素数据可大幅提升未知元素预测能力。

这证实了“少量目标数据+微调”是目前预测未知掺杂化学空间实用的路径。

• 研究总结

本文提出并系统评估了从全局均匀体系到局部异质掺杂体系的迁移学习策略，得出以下重要结论：

1.迁移学习大幅降低数据需求：预训练基础模型+领域微调，将能量预测MAE从>100  meV/atom压缩至2～10  meV/atom，性能提升1–2个数量级。

2.元素外推的可行性边界：完全未见的元素仍具挑战，但通过“部分暴露” (例如双掺杂中包含目标元素) 即可显著提高预测可信度。

3.实践建议：对于新掺杂元素，仅需补充少量 (约50个) 含该元素的结构进行重微调，即可获得工程可用精度 (MAE<20  meV/atom)。

4.异常元素提示：Cr、Y等特殊元素需关注其磁性或电子结构差异，未来基础模型应显式纳入自旋或电子自由度。

本工作警示了当前大多数机器学习势函数对缺陷体系描述的局限性，本文建立的基于理想体系基座模型向缺陷体系微调迁移学习的流程、统一数据划分协议和评估指标，可高效提升对缺陷体系的描述能力。本工作提出的方法不仅适用于多元合金掺杂体系和其他如空位、层错、位错和界面等缺陷体系，还可推广至其他多元陶瓷、半导体等局部异质掺杂系统，为加速复杂成分材料的原子尺度设计提供了通用的迁移学习策略。                          

一句话总结：

“理想体系基座模型+缺陷体系微调迁移学习”，让AI从“看懂全局均质完美晶体”进化到“驾驭局部异质的缺陷体系”，为多元复杂材料的原子级智能设计提供了高效可行的方案。

阅读英文原文：https://www.mdpi.com/1996-1944/19/9/1715

• Materials 期刊介绍

主编：

Prof. Dr.Maryam Tabrizian, McGill University, Canada; 

Prof. Dr. Yuguang Ma, South China University of Technology, China

主要关注材料科学与工程研究相关各个领域的最新研究成果，包括但不限于高分子、纳米材料、能源材料、复合材料、碳材料、多孔材料、生物材料、建筑材料、陶瓷、金属等，以及材料物理化学、催化、腐蚀、光电应用、结构分析和表征、建模等。目前，期刊已被Scopus, SCIE (Web of Science), PubMed等多个数据库收录。

2025 Impact Factor：3.7 (JCR Q2*)

2025 CiteScore：7.0 (Scopus Q1*)

Time to First Decision：14.4 Days

Acceptance to Publication：3.6 Days   

*JCR Q2 at "PHYSICS, APPLIED" and "METALLURGY & METALLURGICAL ENGINEERING" Categories

*Scopus Q1 at "Condensed Matter Physics" Category

期刊主页：https://www.mdpi.com/journal/materials

支持单位：