镁合金中晶界分段的预测：基于原子级信息的机器学习方法

镁合金中晶界（GB）分段显著影响其机械性能和表现。原子级建模，通常使用 ab-initio 或半经验方法，主要关注镁合金中高度对称晶界的分段，往往无法捕捉局部原子环境和分段能的多样性，导致结构性能预测不准确。本研究采用原子模拟和机器学习模型系统性地调查了在 0 K 和有限温度下， polycrystalline Mg 中常见 solute 元素的分段行为。机器学习模型通过纳入能量和结构描述符，准确预测了分段热力学。我们发现，分段能和振动自由能遵循偏斜正态分布，其中水压应力——即剩余自由体积的指示器——是影响分段倾向的重要因素。局部原子环境的灵活性，以灵活体积量化，也在预测晶界分段方面至关重要。将通过兰格姆-麦克林等温线计算得到的晶界溶质浓度与实验数据进行比较，我们识别出 Nd 存在显著的分段倾向，凸显了其在镁合金中进行晶界工程的潜力。本工作表明，原子模拟和机器学习之间的强大协同作用，为设计具有可调性能的轻质镁合金铺平了道路。