科学家通过高通量计算机模型预测固体中轻元素传输扩散

新加坡科学技术研究局（A * STAR）的研究人员利用机器学习方法有效模拟了轻元素在金属中的扩散过程。

固态扩散指的是原子在主体材料的晶格迁移，影响着有害如腐蚀或有用如金属连接等各种重要过程。在“间隙扩散”机制中，像氮这样的轻元素可通过更大的原子（如金属原子）之间的晶格间隙移动。来自A*STAR高性能计算研究所的Yingzhi Zeng和他的同事们，已经为这种现象研发出了一个快速预测模型。

“间隙扩散比如钢表面渗碳或氮化硬化，以及氧在钛中扩散以用于植入物和航空航天合金的设计，”Zeng说。理解这个过程很重要，但从实验上来说尤其困难。其挑战来自于通常所需的重型专用设备，因为正如Yingzhi Zeng解释的那样，“大多数实验技术都依赖于表面测量，因此本质上只能局限于表面下的若干纳米。”

计算研究可以规避这些技术难题。已经证明：第一原理方法能够可靠地预测扩散传输速率，但该过程却非常耗时。Yingzhi Zeng及其同事通过机器学习 大大加快了扩散激活能（轻元素通过其主体晶格所需能量）的计算。

他们首先在一组现有数据上“测试”该模型，包括利用第一原理计算得到的实验活化能。选择数据集是为了保持一致性：例如，仅考虑高温和小溶质浓度。使用了94个系统，每个系统由一个溶质（硼、碳、氧或氮）组成，通过金属主体扩散，采用三种最广泛的晶格排列之一：体心立方（bcc）、面心立方（fcc）或密排六方（hcp）。

通过使用该模型来预测已知的活化能，并将计算结果与实验值进行比较，验证了该模型的准确性。然后将其用于计算未报告实验数据的系统活化能。“我们的预测结果提供了大量可靠的数据——554套新的扩散数据，几乎涵盖了元素周期表中的所有金属，具有三种常见的bcc、fcc和hcp晶体结构，适用于最常用的实验条件。”Zeng说道。

这项研究的直接目标有两方面：继续预测材料的传输速率，并深入了解驱动扩散过程的因素。但该研究团队不会就此止步。“我们计划开发出一个移动数据库，用于材料微观结构模拟，”Zeng说。

原文来自：phys，原文题目：High-throughput computer model predicts diffusion data for the transport of light elements within solids，由材料科技在线团队编译。