北京航空航天大學丁彬在PNAS發表重要研究進展！

在材料科學領域，建立定量化的結構-性能關系一直是核心追求。晶體材料憑借其平移對稱性，可以通過伯格斯矢量等概念精確描述缺陷并預測力學行為。然而，非晶態固體由于缺乏長程有序結構，傳統晶體學概念在此失效，導致其結構 Disorder 與力學性能之間的內在聯系長期懸而未決。盡管非晶材料存在短程和中程有序，但經典的結構缺陷概念如位錯或晶界已失去意義。近年來，機器學習方法雖能揭示結構與塑性的統計關聯，但往往缺乏物理可解釋性。因此，尋找一個兼具物理意義和量化能力的通用結構描述符，成為非晶材料研究的關鍵挑戰。

近日，《美國國家科學院院刊》（PNAS）發表了由北京航空航天大學丁彬研究員、清華大學李曉雁教授和高華健教授團隊完成的題為《一種連接局部對稱性破缺與塑性指標和強度的結構無序函數》（A structural disorder function linking local symmetry breaking to plastic indicators and strength in amorphous solids）的研究論文。該研究提出了一種名為Sd(r)的結構無序函數，為非晶態固體原子尺度的無序程度提供了物理可解釋的量化指標。

研究團隊首先定義了結構無序函數Sd(r)的概念。該函數通過計算參考原子到其鄰近原子在徑向殼層內歸一化矢量和的幅值，來量化局部對稱性破缺的程度。在完美晶體中，所有殼層的矢量之和為零，Sd(r)=0；任何偏離零的值都直接反映了原子尺度的結構無序。在三維體系中，Sd(r)經過單位面積聚合和原子間距歸一化后成為無量綱參數。通過改變徑向距離r，該函數能夠無縫捕捉從短程到中程有序的結構信息，為表征非晶材料的無序程度提供了一個統一且可解釋的度量標準。

為了驗證Sd(r)與原子尺度塑性的相關性，研究團隊采用極端梯度提升（XGBoost）機器學習框架，以Sd(r)作為結構表征，對多種典型非晶固體（包括金屬玻璃、金屬-非金屬玻璃和非晶硅）的原子性質進行預測。結果顯示，對于振動均方位移、柔性體積、原子剛度和原子振動頻率四種關鍵塑性指標，預測值與真實值之間的皮爾遜相關系數均超過0.68，證明Sd(r)能夠僅從結構信息準確預測原子性能。特征重要性分析表明，中程有序結構對于確定這些性質具有重要影響。進一步分析發現，液體狀原子的Sd(r)值始終高于固體狀原子，這種差異不僅存在于短程有序區域，在中程有序區域也清晰可見，表明Sd(r)能夠有效區分機械異質性。

研究團隊還在準二維膠體玻璃體系中進行了實驗驗證。通過對溫敏性PNIPAM微凝膠顆粒構成的膠體玻璃進行視頻顯微觀察和粒子追蹤，結合機器學習方法，僅基于Sd(r)所包含的結構信息預測每個粒子的振動頻率。預測結果與真實值相關性高達0.74，且機器學習識別出的低頻粒子與實際低頻區域高度吻合。膠體顆粒的實驗結果同樣顯示，液體狀粒子的Sd(r)值高于固體狀粒子，表明Sd(r)與原子性質之間的關聯不僅是數據驅動的，而且具有物理可解釋性。盡管膠體體系的Sd(r)呈現輕微正相關趨勢，這主要源于實驗體系并非嚴格二維以及顆粒尺寸差異。

為評估Sd(r)的獨特價值，研究團隊將其與其他靜態結構參數進行了比較。與基于徑向分布函數的特征相比，Sd(r)在捕捉原子重排相關的局部對稱性破缺方面具有獨特優勢。與當前可推廣性較強的原子間隙特征相比，聯合特征集的機器學習模型預測能力進一步提升，且特征重要性排名前兩位的均來自Sd(r)，凸顯了Sd(r)在決定原子振動行為中的主導作用。這種結合了經驗方法與理論方法優勢的Sd(r)，既保持了幾何度量的普適性和可解釋性，又達到了數據驅動模型的預測精度。

最后，研究團隊建立了場平均結構無序度?Sd?與宏觀剪切強度之間的普遍關系。通過對不同冷卻速率制備的非晶樣品進行簡單剪切模擬，發現?Sd?隨冷卻速率增加而單調增大，而剪切強度τp則隨?Sd?增加而降低，呈現出τp = A - B?Sd?的普適負線性關系。值得注意的是，原子體積Ωa隨冷卻速率的變化在不同非晶體系中表現出不同趨勢，而?Sd?則呈現出統一的單調變化規律，表明?Sd?能夠有效連接加工歷史與結構狀態。這一發現為非晶材料建立了類似于晶體中泰勒強化定律的結構-強度對應關系，其中?Sd?扮演了類似“缺陷密度”的角色。

READING

BioPeers

歡迎關注本公眾號，所有內容歡迎點贊，推薦??，評論，轉發~

如有錯誤、遺漏、侵權或商務合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務，無商業目的~