DOI: https://doi.org/10.1038/s41524-026-01997-z
تاريخ النشر: 2026-02-14
المؤلف: Muchen Wang وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
في هذا القسم، يتناول المؤلفون التحدي المتمثل في إقامة علاقات بين الهيكل والخصائص في المواد غير المتبلورة، وخاصة الزجاجات المعدنية، التي تتميز بطبيعتها غير المنظمة. يبرزون أن مقاييس النظام القصير التقليدية (SRO) غير كافية لالتقاط تعقيد هذه المواد. للتغلب على هذا القيد، يستخدم البحث نهج تعلم آلي مزدوج (ML) لتحديد نصف قطر البيئات الهيكلية المعلوماتية (RISE) في نظام زركونيوم-نحاس الزجاجي المعدني.
يستخدم النهج الأول طريقة من الأعلى إلى الأسفل تجمع بين موصوف موضع الذرات السلس (SOAP) ونموذج XGBoost، مما يكشف أن البيئات الذرية ضمن نصف قطر 5 Å توفر أكبر تنوع هيكلي وكثافة معلومات، وبالتالي تحسين دقة النموذج التنبؤية للطاقة التكوينية. بالتوازي، يظهر نهج من الأسفل إلى الأعلى باستخدام بنية المحول البصري (ViT) أن أدائه التنبؤي يستقر عندما يصل طول التواصل الفعال بين البقع المدخلة إلى حوالي 5 Å. تشير تقارب هذه الاستراتيجيات المستقلة في التعلم الآلي إلى مقياس طول أساسي ومعلوماتي هيكلي في الزجاجات المعدنية. تؤكد فحوصات القوة الإضافية عبر مواد زجاجية مختلفة أن هذا RISE هو ميزة متسقة، وليس مجرد نتيجة لبارامترات الترميز أو حجم النظام، وهو متسق مع النتائج التجريبية والحسابية الموجودة.
مقدمة
تؤكد المقدمة على أهمية إقامة علاقات هيكلية-خصائص قوية وقابلة للتفسير في علم المواد، خاصة لتوقع وتصميم مواد بخصائص محددة. في المواد الصلبة البلورية، تم إحراز تقدم كبير من خلال فهم العيوب الطوبولوجية، مثل الانزلاقات وحدود الحبوب، كما يتضح من معادلة تايلور وعلاقة هول-بيتش. ومع ذلك، يتعقد التحدي في المواد غير المتبلورة مثل الزجاجات المعدنية، حيث أن نقص النظام طويل المدى يعقد تحديد العلاقات المماثلة. ركزت الأبحاث الحديثة على تصنيف الأنظمة القصيرة (SROs) باستخدام تقسيم فورونوي، مما يكشف أنه بينما قد تعزز الأنظمة ذات التناظر الخماسي العالي الاستقرار، إلا أنها غير كافية بمفردها لشرح سلوك الزجاجات المعدنية.
تسلط المقدمة الضوء أيضًا على ضرورة النظر في الأنظمة المتوسطة المدى والارتباطات الهيكلية بما يتجاوز الجيران الأقرب لتطوير فهم أكثر شمولاً لعلاقات الهيكل-الخصائص في الزجاجات المعدنية. على الرغم من وجود فرضيات مختلفة بشأن مقياس الطول المميز الأمثل لالتقاط المعلومات الهيكلية، لا يزال هناك غموض كبير، مما يعيق تطوير نماذج تنبؤية فعالة. يهدف البحث إلى معالجة هذه الفجوة من خلال استخدام تقنيات مدفوعة بالبيانات، وخاصة التعلم الآلي، لربط الخصائص العالمية—تحديدًا الطاقة التكوينية—بالميزات الهيكلية، مما يسهل توقعًا أكثر دقة لسلوك المواد.
طرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المواد، وتحضير العينات، والبروتوكولات المحددة المتبعة لضمان القابلية للتكرار. كما يتم وصف الأساليب الإحصائية المستخدمة في تحليل البيانات، مع تسليط الضوء على التقنيات المستخدمة لتقييم أهمية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن النماذج الحسابية أو المحاكاة المستخدمة، مع تحديد المعلمات والخوارزميات المطبقة لتحليل البيانات. بشكل عام، تم تصميم الطرق لاختبار الفرضيات بدقة والتحقق من النتائج المقدمة في الدراسة، مما يضمن أن النتائج موثوقة وقابلة للتطبيق في سياق البحث الأوسع.
نتائج
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا لإطارين من التعلم الآلي—نموذج XGBoost القائم على SOAP ونموذج المحول البصري (ViT)—الذي يهدف إلى تحديد مقياس الطول المميز في الزجاجات المعدنية. يتم تقييم النماذج بشكل منهجي عبر أطوال القطع أو التواصل المختلفة وأنظمة السبائك المختلفة، مما يسهل مقارنة مباشرة لأدائها التنبؤي وسلوكها فيما يتعلق بمقاييس الطول.
تظهر النتائج قوة وملاءمة فيزيائية لمقياس الطول الأمثل المحدد، مما يبرز فعالية كلا النهجين في النمذجة في التقاط الفيزياء الأساسية للزجاجات المعدنية. لا يسلط هذا التقييم الشامل الضوء فقط على نقاط القوة لكل إطار، بل يساهم أيضًا في فهم أعمق لخصائص المواد على النانو.
مناقشة
في هذا القسم، يناقش المؤلفون النتائج من نموذجين مختلفين من التعلم الآلي (ML)—النماذج الاختزالية والنماذج الناشئة—المستخدمة لتحليل الزجاجات المعدنية. يقوم النموذج الاختزالي بتفكيك الأنظمة المعقدة إلى بيئات محلية فريدة (ULEs) من خلال ترميز SOAP، مما يكشف عن مقياس طول مميز، يُطلق عليه اسم البيئة الهيكلية المعلوماتية ذات الصلة (RISE)، التي تلتقط بشكل مثالي التنوع الهيكلي عند نصف قطر قطع يبلغ 5 Å. يظهر هذا النموذج أداءً غير أحادي الاتجاه، حيث يصل إلى ذروته عند هذا نصف القطر بسبب العدد الفعال من ULEs، الذي يوازن بين غنى الهيكل والازدواجية. على العكس، يظهر النموذج الناشئ، الذي يتعلم الارتباطات الهيكلية من شبكات ذرية مقسمة إلى وحدات فوكسيلي دون ميزات محلية محددة مسبقًا، تشبعًا في الأداء التنبؤي عند طول تواصل يبلغ 8 Å، مما يتوافق مع نفس نصف القطر الفعال البالغ 5 Å.
تشير تقارب كلا النموذجين على RISE إلى أن هذا المقياس الطولي هو خاصية جوهرية للهيكل الزجاجي بدلاً من كونه نتيجة لنهج النمذجة. يؤكد المؤلفون أيضًا على قوة RISE المحددة عبر أحجام وأنماط مختلفة من الأنظمة، بما في ذلك أنظمة الزجاج الثنائية والثلاثية المتميزة، مع العثور باستمرار على أداء مثالي عند مقاييس طول مماثلة. يعزز هذا الفكرة القائلة بأن RISE يعكس سمة هيكلية حقيقية في الزجاجات المعدنية، مع آثار لفهم الفيزياء الأساسية لهذه المواد. تمتد النتائج أيضًا إلى الأنظمة الزجاجية التساهمية، مما يشير إلى إمكانية عمومية مقياس الطول المحدد عبر مواد غير متبلورة مختلفة.
DOI: https://doi.org/10.1038/s41524-026-01997-z
Publication Date: 2026-02-14
Author(s): Muchen Wang et al.
Primary Topic: Machine Learning in Materials Science
Overview
In this section, the authors address the challenge of establishing structure-property relationships in amorphous materials, specifically metallic glasses, which are characterized by their disordered nature. They highlight that traditional short-range order (SRO) metrics are insufficient for capturing the complexity of these materials. To overcome this limitation, the study employs a dual machine learning (ML) approach to identify the Radius of Informative Structural Environments (RISE) in a Zr-Cu metallic glass system.
The first approach utilizes a top-down method that combines the Smooth Overlap of Atomic Positions (SOAP) descriptor with an XGBoost model, revealing that atomic environments within a 5 Å radius provide the greatest structural diversity and information density, thereby optimizing the model’s predictive accuracy for configurational energies. In parallel, a bottom-up approach using a Vision Transformer (ViT) architecture demonstrates that its predictive performance stabilizes when the effective communication length among input patches reaches approximately 5 Å. The convergence of these independent ML strategies suggests a fundamental, structurally informative length scale in metallic glasses. Further robustness checks across various glassy materials affirm that this RISE is a consistent feature, not merely a consequence of encoding parameters or system size, and is consistent with existing experimental and computational findings.
Introduction
The introduction emphasizes the importance of establishing robust and interpretable structure-property relationships in materials science, particularly for predicting and designing materials with specific properties. In crystalline solids, significant progress has been made through the understanding of topological defects, such as dislocations and grain boundaries, exemplified by the Taylor equation and the Hall-Petch relationship. However, the challenge intensifies in amorphous materials like metallic glasses, where the lack of long-range order complicates the identification of analogous relationships. Recent research has focused on characterizing short-range orders (SROs) using Voronoi tessellation, revealing that while high five-fold symmetry SROs may enhance stability, they are insufficient alone to explain the behavior of metallic glasses.
The introduction further highlights the necessity of considering medium-range orders and structural correlations beyond nearest neighbors to develop a more comprehensive understanding of structure-property relationships in metallic glasses. Despite various hypotheses regarding the optimal characteristic length scale for capturing structural information, there remains significant ambiguity, hindering the development of effective predictive models. The study aims to address this gap by employing data-driven techniques, particularly machine learning, to correlate global properties—specifically configurational energy—with structural features, thereby facilitating a more accurate prediction of material behavior.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of materials, sample preparation, and the specific protocols followed to ensure reproducibility. The statistical methods used for data analysis are also described, highlighting the techniques for assessing the significance of the results.
Additionally, the section may include information on the computational models or simulations utilized, specifying the parameters and algorithms applied to analyze the data. Overall, the methods are designed to rigorously test the hypotheses and validate the findings presented in the study, ensuring that the results are both reliable and applicable to the broader research context.
Results
In this section, the authors present a comparative analysis of two machine learning frameworks— a reductionist SOAP-based XGBoost model and an emergentist Vision Transformer (ViT) model—aimed at identifying the characteristic length scale in metallic glasses. The models are systematically assessed across various cutoff or communication lengths and different alloy systems, facilitating a direct comparison of their predictive performance and behavior concerning length scales.
The results demonstrate the robustness and physical relevance of the identified optimal length scale, underscoring the effectiveness of both modeling approaches in capturing the underlying physics of metallic glasses. This comprehensive evaluation not only highlights the strengths of each framework but also contributes to a deeper understanding of the material properties at the nanoscale.
Discussion
In this section, the authors discuss the findings from two distinct machine learning (ML) paradigms—reductionist and emergentist models—used to analyze metallic glasses. The reductionist model decomposes complex systems into Unique Local Environments (ULEs) through SOAP encoding, revealing a characteristic length scale, termed the Relevant Information Structural Environment (RISE), that optimally captures structural diversity at a cutoff radius of 5 Å. This model demonstrates a non-monotonic performance, peaking at this radius due to the effective number of ULEs, which balances structural richness and redundancy. Conversely, the emergentist model, which learns structural correlations from voxelized atomic grids without predefined local features, shows saturation in predictive performance at a communication length of 8 Å, corresponding to the same effective radius of 5 Å.
The convergence of both models on the RISE suggests that this length scale is an intrinsic property of the glassy structure rather than an artifact of the modeling approach. The authors further validate the robustness of the identified RISE across different system sizes and compositions, including ternary and distinct binary glass systems, consistently finding optimal performance at similar length scales. This reinforces the notion that the RISE reflects a genuine structural characteristic in metallic glasses, with implications for understanding the underlying physics of these materials. The findings also extend to covalent glassy systems, indicating the potential universality of the identified length scale across various amorphous materials.