作者：张锦程、武逸飞 材料学院
指导老师：陈浩 材料学院
关键词：氢脆 机器学习 晶界 分子动力学 预测模型
摘要
本研究采用自下而上的研究方法，设计了一种材料结构信息识别的算法，并选取若干低能量晶界计算作为研究对象，构建了一个自下而上的材料氢脆性质预测模型，为可能的耐氢脆晶界工程奠定了基础。
研究背景
金属材料是现代工业中不可缺少的一种材料，然而，金属在其使用过程中往往会受到氢脆的威胁。氢脆（HE）使材料机械性能（强度）严重退化，使用过程中易脆断，对金属的安全使用造成了很大威胁。
晶界工程是解决氢脆问题的有力方法，Bechtle等人（2009）尝试对镍中的 GBs 进行加工，结果表明，具有低过量自由体积和高原子匹配度的特殊晶界可以使得 HE 的敏感性大大降低。而开发这样的解决方案需要我们对金属中GB-H 的相互作用（以 H 偏聚能表征）有更多的了解。
物理背景
经过密度泛函理论（DFT）计算，H 与金属在晶界处的相互作用具有局域性，H 偏聚位点的电子集中分布在堆积单元也就是多面体附近，也就是说，H 在晶界处的偏聚性能可简单地视为由包围它的多面体单元的信息决定。同时，由于获得的多面体单元限定了结构中存在的空隙，这样的描述提供了有关晶界内原子偏析位置有价值的信息，再通过分子动力学相关计算，可以让我们能以一种自动化的方式获得大量晶界结构 - 偏聚能数据对，为我们利用 GBs 处的原子信息构建 H 偏聚能的机器学习模型奠定了基础。
算法实现
为了识别晶界处的多面体单元，我们实现了基于Voronoi图的多面体识别算法，它的原理如下图所示：针对空间中的点集，利用 Voronoi 算法可求出空间的 Voronoi 剖分（已在图中表示）和 Delaunay 剖分，每个 Voronoi 剖分的顶点均为 Delaunay 剖分的外接球球心，我们选择将外接球相接的 Delaunay 剖分组合即得到所求的多面体单元。
为了提取出晶界处的原子结构信息，本研究采用了一种基于计算机视觉技术的多面体单元分类算法，它在进行分类的同时，还能计算得到相关的多面体畸变程度(RMSD)、近邻距离等结构信息。它的实现原理是利用仿射变换以将识别出的多面体单元和数据库中的多面体单元比对。
下图是我们通过上述方法及分子动力学得到的部分数据：
在预测模型选择上我们采用了随机森林模型（RF），主要是因为它可以处理高维数据，且能得到特征重要性的排序，下面是结果的交叉验证：
以及得到的特征重要性排序：
联系方式：jincheng18@mails.tsinghua.edu.cn
