能夠根據結構信息預測材料的失效，對于設備和組件的監測來說是一個具有巨大實際意義和工業相關性的基本問題。由于深度學習技術的最新進展，即使是對非常無序的固體也可以進行準確的失效預測，但在此過程中使用的參數的數量，使得對結果的物理解釋變成不可能。

在此，來自意大利米蘭大學的Stefano Zapperi等研究者解決了上述這個問題，從其初始未變形的結構，使用機器學習方法來預測模擬了二維二氧化硅玻璃的失效。相關論文以題為“Predicting the failure of two-dimensional silica glasses”發表在Nature Communications上。

論文鏈接：

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

基于結構信息預測材料失效，是材料科學與工程的核心挑戰。在無序固體的情況下，這個問題尤其棘手，因為內部的非晶態結構，阻礙了對孤立缺陷的直接識別，而這些缺陷可能成為裂紋形核的種子。在玻璃理想化模型的分子動力學模擬的指導下，定義經驗結構指標并通過相關分析評估其預測價值是可能的，但使用它們來預測現實的無序固體，如二氧化硅玻璃或聚合物網絡，是極具挑戰性的。現代機器學習方法，為基于結構的預測的系統發展，提供了一個有前途的替代途徑，這已經在分子特性、密度泛函理論、力場、動力學系統的控制方程以及晶體塑性的流動和位錯模型中得到了證明。到目前為止，玻璃的應用僅限于理想化的模型，即所謂的Lennard-Jones玻璃，可通過支持向量機(SVM)、圖神經網絡(GNN)和深度學習對其進行分析。基于深度學習方法的預測正變得越來越準確，但它們也很難解釋。在玻璃的背景下，這意味著盡管深度學習可以準確地預測材料何時會失效，但失效的結構決定因素往往仍不明確。

二維硅玻璃，通過在石墨烯襯底上沉積SiO2分子的單層雙分子層首次被觀察到，可能提供了無序固體的最簡單的例子。電子顯微鏡或原子力顯微鏡可以直接觀察到其原子結構和缺陷動力學，而分子動力學模擬可以精確地再現其結構特征和研究其力學性能。

圖1 系統原理圖和算法

在此，研究者通過機器學習方法分析了二維石英玻璃的結構和失效行為，并說明了如何在保持結果的定性可解釋性的情況下實現準確的失效預測。這要歸功于梯度加權類激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)的使用，它允許人們在進行預測時可視化深度神經網絡的關注點(見圖1)。然后，研究者利用梯度加權類激活映射Grad-CAM，來構建與預測相關的注意力映射，并證明這些映射可以根據拓撲缺陷和局部勢能進行物理解釋。研究者表明，他們的預測可以轉移到與訓練中使用的不同形狀或大小的樣本，以及實驗圖像。該策略說明了通過數值模擬結果訓練的人工神經網絡，如何為實驗測量的結構的行為提供可解釋的預測。

圖2 二氧化硅樣品的過濾

圖3 機器學習將局部混亂和全局混亂分類

圖4 機器學習可以預測斷裂應變

圖5 機器學習可以預測破裂的位置

圖6 將學習轉移到處理更大的樣本和實際實驗

綜上所述，研究者利用不同的機器學習策略來預測硅玻璃的失效行為。該結果突出了常用的原子級局部模型的局限性，在斷裂的情況下不可避免地會產生大量的假陽性預測，但在算法的可擴展性方面有明顯的優勢。基于全局圖像的模型提供了可靠的預測，得益于Grad-CAM地圖，研究者可以直觀地檢查失效的結構決定因素，并將它們與原子微觀結構的物理和拓撲特征聯系起來。

這可能為未來混合多尺度模擬方案鋪平道路，該方案結合了數值效率和高精度：先驗識別樣本中需要物理準確描述的區域(這里是破裂部位和破裂路徑)的能力允許使用混合模擬方案，將這種準確的描述與樣本其余部分的粗糙描述結合起來，比如在不影響數值精度的情況下顯著降低數值成本。

審核編輯 ：李倩