使用机器学习方法来预测模拟了二维二氧化硅玻璃的失效

能够根据结构信息预测材料的失效，对于设备和组件的监测来说是一个具有巨大实际意义和工业相关性的基本问题。由于深度学习技术的最新进展，即使是对非常无序的固体也可以进行准确的失效预测，但在此过程中使用的参数的数量，使得对结果的物理解释变成不可能。

在此，来自意大利米兰大学的Stefano Zapperi等研究者解决了上述这个问题，从其初始未变形的结构，使用机器学习方法来预测模拟了二维二氧化硅玻璃的失效。相关论文以题为“Predicting the failure of two-dimensional silica glasses”发表在Nature Communications上。

论文链接：

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

基于结构信息预测材料失效，是材料科学与工程的核心挑战。在无序固体的情况下，这个问题尤其棘手，因为内部的非晶态结构，阻碍了对孤立缺陷的直接识别，而这些缺陷可能成为裂纹形核的种子。在玻璃理想化模型的分子动力学模拟的指导下，定义经验结构指标并通过相关分析评估其预测价值是可能的，但使用它们来预测现实的无序固体，如二氧化硅玻璃或聚合物网络，是极具挑战性的。现代机器学习方法，为基于结构的预测的系统发展，提供了一个有前途的替代途径，这已经在分子特性、密度泛函理论、力场、动力学系统的控制方程以及晶体塑性的流动和位错模型中得到了证明。到目前为止，玻璃的应用仅限于理想化的模型，即所谓的Lennard-Jones玻璃，可通过支持向量机(SVM)、图神经网络(GNN)和深度学习对其进行分析。基于深度学习方法的预测正变得越来越准确，但它们也很难解释。在玻璃的背景下，这意味着尽管深度学习可以准确地预测材料何时会失效，但失效的结构决定因素往往仍不明确。

二维硅玻璃，通过在石墨烯衬底上沉积SiO2分子的单层双分子层首次被观察到，可能提供了无序固体的最简单的例子。电子显微镜或原子力显微镜可以直接观察到其原子结构和缺陷动力学，而分子动力学模拟可以精确地再现其结构特征和研究其力学性能。

图1 系统原理图和算法

在此，研究者通过机器学习方法分析了二维石英玻璃的结构和失效行为，并说明了如何在保持结果的定性可解释性的情况下实现准确的失效预测。这要归功于梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)的使用，它允许人们在进行预测时可视化深度神经网络的关注点(见图1)。然后，研究者利用梯度加权类激活映射Grad-CAM，来构建与预测相关的注意力映射，并证明这些映射可以根据拓扑缺陷和局部势能进行物理解释。研究者表明，他们的预测可以转移到与训练中使用的不同形状或大小的样本，以及实验图像。该策略说明了通过数值模拟结果训练的人工神经网络，如何为实验测量的结构的行为提供可解释的预测。

图2 二氧化硅样品的过滤

图3 机器学习将局部混乱和全局混乱分类

图4 机器学习可以预测断裂应变

图5 机器学习可以预测破裂的位置

图6 将学习转移到处理更大的样本和实际实验

综上所述，研究者利用不同的机器学习策略来预测硅玻璃的失效行为。该结果突出了常用的原子级局部模型的局限性，在断裂的情况下不可避免地会产生大量的假阳性预测，但在算法的可扩展性方面有明显的优势。基于全局图像的模型提供了可靠的预测，得益于Grad-CAM地图，研究者可以直观地检查失效的结构决定因素，并将它们与原子微观结构的物理和拓扑特征联系起来。

这可能为未来混合多尺度模拟方案铺平道路，该方案结合了数值效率和高精度：先验识别样本中需要物理准确描述的区域(这里是破裂部位和破裂路径)的能力允许使用混合模拟方案，将这种准确的描述与样本其余部分的粗糙描述结合起来，比如在不影响数值精度的情况下显著降低数值成本。

审核编辑 ：李倩