数据驱动的方法——特别是机器学习方法——已经显示出探索和建模复杂自然、工程和应用系统的强大能力,有效地展示了它们捕捉构成特征之间相互依赖性的能力,这些关系通常偏离简单的线性关系。[1,2] 本质上,它们为材料科学提供了一种将组成空间与局部结构配置和宏观性质联系起来的手段。[[3], [4], [5]
在过去几年中,机器学习技术在材料科学中的应用经历了显著复兴——例如在玻璃科学领域,有许多值得注意且成功的案例研究。[6,7] 这些研究使得能够预测控制其溶解动力学的成分和拓扑依赖性,[8] 玻璃形成行为,[9] 以及依赖于实验参数的性质——例如硬度的载荷依赖性。[10]
尽管这些方法在建模现有数据集方面的应用日益增多,但它们在主动为新解决方案的寻找提供信息方面的应用——即,针对预定义性质集的目标生成新材料配方——仍然相对不够发达。[11,12] 然而,这类方法具有巨大潜力:通过预测满足特定物理力学标准的成分——例如为实际应用环境(以固态电池为例)优化了刚性、热膨胀系数(CTE)、电导率和比质量的组合——这些方法为提高材料性能和解决可持续性问题提供了途径,特别是通过减少关键原材料的消耗。[[13], [14], [15]
这些替代的逆向策略特别适合加速材料发现,尤其是在设计高性能配方方面。[[16], [17], [18], [19], [20]] 在这个框架下,氧氮化物玻璃——一类以其优异的机械性能而著称的无机非金属玻璃——成为了一个引人注目的案例研究。[[21], [22], [23], [24], [25]] 特别是,在大量数据上训练的神经网络模型的应用,预计将为这一玻璃家族提供新的见解,特别是对于氮含量丰富的系统,其背后的成分-结构-性质关系尚未得到解决。[26,27]
事实上,氧氮化物玻璃在传统的大规模玻璃(无论是有机的、无机的还是混合的)中代表了机械性能的先进水平,其杨氏模量、硬度和断裂韧性的最大值分别达到了约190 GPa、13 GPa和1.6 MPa·m0.5。[22,25,[28], [29], [30], [31], [32], [33], [34], [35], [36]] 尽管其他材料(例如杨氏模量超过300 GPa的无机非金属玻璃或结晶陶瓷)可以超越这些值,但氧氮化物玻璃在液态成型方面的可加工性具有明显优势。[13,22,37] 在这类玻璃中,部分双配位氧原子被三配位氮原子取代——从而增强了原子网络的交联密度。氮原子掺入硅酸盐和磷酸盐基质形成Si-(O,N)4和P-(O,N)4互连的四面体单元,也增加了原子堆积密度,使得这些玻璃比纯氧化物类似物(如磷酸盐、硅酸盐或铝硅酸盐玻璃,其硬度通常不超过约10 GPa)更加坚硬、刚性更高且更坚韧。[38,39]
在这项研究中,我们提出了将自动编码器架构应用于玻璃科学的方法——目的是利用其表示能力和通过潜在空间的维度缩减来训练一个监督模型——在适当的数据库构建、校正和增强之后,该模型能够预测针对特定物理力学性质的化学配方(如图1所示)。
这些性质包括硬度H、杨氏模量E、玻璃转变温度Tg和比质量ρ——这些参数因其在实际应用中的关键重要性而被选中。具体来说,重点在于实现具有高性能指数的玻璃——这对应于材料性质的卓越组合。这些玻璃具有较大的性质比率(例如,高机械性能与低比质量的结合,如图2(a-b)所示)。一方面,E/ρ是一个用于最小化结构在其自身重量下的变形的指标;在梁的情况下,它表征了在允许一个横向维度(宽度或高度)变化的情况下,在给定跨度下可实现的最小挠度——因此对于承重应用(土木工程、交通运输)非常重要。另一方面,H2/(E·ρ)表示每单位质量可以储存的弹性能量,对于专注于弹性能量存储或耗散的应用(轻质和资源高效的减震器、安全装置和保护技术)具有重要意义。在选定的预测玻璃成分经过实验验证后(即配方预测、合成、表征和最终比较),结合了大的机械性能和低比质量(E > 150 GPa, H > 11 GPa, ρ < 3.7 g·cm?3),宏观性质的成分依赖性得到了定量描述,有效地揭示了氮在玻璃网络中的浓度依赖性作用。总体而言,这些发现推进了成分趋势的合理化,进一步支持了用于增强材料发现的玻璃基质的逆向设计。