近日，美国亚利桑那州立大学李琳教授团队在AMR发表了题为“Machine Learning-Enhanced Multiscale Material Mechanics Modeling for Complex Alloys”的述评文章，将机器学习（ML）融入复杂合金多尺度力学建模，研究以高熵合金与金属玻璃为代表的前沿无序合金体系。

关键词：机器学习，高熵合金，金属玻璃，多尺度模拟，力学行为

01

文章内容简介

前沿无序合金（如高熵合金与金属玻璃）因其独特的化学或结构无序性而具备优异性能，但这种无序也导致传统多尺度建模难以捕捉关键的局部波动。研究团队通过融合机器学习与物理力学，为这两类材料建立了数据驱动框架：针对高熵合金，开发了具量子力学精度的机器学习原子势，揭示了化学有序与晶格畸变对位错行为的调控机制；针对金属玻璃，利用机器学习异常检测识别流变缺陷，结合介观尺度模拟揭示了弹性非均匀性如何主导剪切带形成。核心思想在于：机器学习最强大的作用并非替代物理模型，而是揭示物理规律本身难以解析的无序结构，通过二者协同实现材料设计的可预测性与可解释性。

02

AMR：您选择该领域的原因是？

作者团队：

材料科学是推动人类进步的重要基石。从青铜时代、铁器时代，到现代工业社会，金属结构材料的发展始终伴随着人类文明的演进。如今，以金属玻璃和高熵合金为代表的复杂金属材料，作为一类新型结构材料，正有望突破传统金属材料的性能极限。这些材料能够在极端环境下保持优异性能，为人类探索深海、太空等极端领域提供关键支撑。

03

AMR：您对这个领域的发展有何愿景？

作者团队：

结构无序的金属玻璃与化学成分无序的高熵合金，重新塑造了人们对金属材料的认知。然而，这种无序性也显著增加了深入研究的难度。近年来，机器学习的出现为突破这一瓶颈提供了新的契机。相比传统实验方法以及第一性原理计算等模拟手段，机器学习不仅能够大幅降低研究所需的时间、人力与资金成本，还能高效地探索更为广阔的成分空间，并深化对原子尺度变形机制的理解，从而为复杂无序合金的研究提供了强有力的工具支持。因此，作者团队认为，结合机器学习深入探究复杂合金的微观组织演化与变形机理，并在此基础上设计筛选高性能合金，是未来发展的重要方向。

作者简介

李琳, 亚利桑那州立大学副教授，在俄亥俄州立大学获得博士学位，并曾在麻省理工学院从事博士后研究。在加入亚利桑那州立大学之前，她曾任教于阿拉巴马大学。其研究兴趣涵盖极端环境下结构材料的多尺度力学建模。

姚祎，2025年获得亚利桑那州立大学材料科学与工程博士学位，研究方向是高熵合金位错运动机理、机器学习势函数和机器学习在高熵合金中的应用。

Jonathan Cappola，亚利桑那州立大学博士研究生，研究兴趣在于多尺度材料与力学建模。

Kaushik Kethamukkala，亚利桑那州立大学机械工程专业的博士生，其研究聚焦于极端环境下材料的力学性能模拟。

Yucong Gu，亚利桑那州立大学副研究员，在阿拉巴马大学获得材料科学博士学位，主要研究方向为金属玻璃的介观尺度建模及机器学习模型的开发。

扫码阅读李琳教授团队的精彩Account文章：

Machine Learning-Enhanced Multiscale Material Mechanics Modeling for Complex Alloys

Yi Yao, Jonathan Cappola, Kaushik Kethamukkala, Yucong Gu and Lin Li*

原文链接：

https://pubs.acs.org/doi/10.1021/accountsmr.5c00242

投稿指南目前Accounts of Materials Research的投稿主要基于编辑团队的邀请。如您有意投稿，请先按照Author Guidelines的要求准备并投递proposal， 编辑团队会对您的proposal进行评审。如果proposal被接受，我们将向您发送投稿邀请。扫码阅读作者指南，下载proposal form：