编辑 | 萝卜皮
近期，最火爆的事件莫过于「机器人马拉松」！机器人技术的进步，必然会对硬件制造相关的材料应用提出的新要求，其中材料的可靠性将是重中之重。
目前，制造领域应用最广泛的材料依旧是金属与陶瓷，但是这两类材料在遭遇持续高温（例如火箭或飞机发动机产生的高温）时，可能会突然失效。
因为，它们是由晶体或晶粒构成，当它们受热时，原子会发生移动，导致晶体生长或收缩，这一现象统称为异常晶粒生长（AGG）。
视频：晶粒异常生长示意。（来源：论文）
当一些晶粒相对于邻近晶粒异常长大时，由此产生的变化可能会改变材料的性质。例如，之前具有一定柔韧性的材料可能会变得像饼干一样酥脆。
图示：对 100 × 10^6 个模拟步骤（100M MCS）内的微观结构粗化进行改进的 3D Monte Carlo Potts 模拟。（来源：论文）
预测和控制 AGG 是实现稳健的介观尺度材料设计的关键。遗憾的是，在这些罕见事件发生之前就进行预测非常困难，因为在早期阶段，几乎无法区分初期异常晶粒和「正常」晶粒。
为了克服这一难题，美国理海大学（Lehigh University）的研究团队提出了两种机器学习方法来预测晶粒未来是否会变得异常。
相关研究以「Learning to predict rare events: the case of abnormal grain growth」为题，于 2025 年 3 月 27 日发布在《npj Computational Materials》。
论文链接：https://www.nature.com/articles/s41524-025-01530-8
理海大学研究团队提出的方法分析了晶粒特性，这些特性源于晶粒特征的时空演变、晶粒间相互作用以及基于网络的这些关系的分析。
第一个方法名为 PAL（Predicting Abnormality with LSTM），它使用长短期记忆网络 (LSTM) 分析晶粒特征。
第二个方法是 PAL 的增强版名为 PAGL（Predicting Abnormality with GCRN and LSTM），它用基于图的卷积循环网络 (GCRN) 补充 LSTM。PAGL 将微观结构表示为一个不断演变的图形，该图形在模拟过程中以固定频率更新。
图示：使用 GCRN 和 LSTM（PAGL）框架预测异常的架构。（来源：论文）
PAL 和 PAGL 均接受来自 MCP 模拟的晶粒和五个连续时间步长作为输入，并预测晶粒未来是否会变得异常。
此处使用的微观结构数据由优化后的 MCP 生成，其中在单个晶粒边界处发生随机的相态转变，并伴随边界迁移率的变化，这些变化已被证明会产生 AGG。
为了评估 PAL 和 PAGL 的通用性，研究人员在三种不同的材料场景中进行了测试，每种场景由 50 个独立生成的 3D 微结构表示。
在这三种场景中，可以观察到，平均有 86% 的最终出现异常的晶粒可以在其出现异常之前的 20% 的生命周期内被预测为异常晶粒。这种高难度的预测是使用异常发生前高达 65 M MCS 的数据实现的，其中灵敏度得分高于 0.81。鉴于这些发现，以及在三种情景下都观察到了相似的预测性能，显然可以预测模拟晶粒中未来的异常。
图示：在异常现象出现之前很久就能预测到异常晶粒。（来源：论文）
「通过模拟，我们不仅能够预测异常晶粒的生长，而且能够提前很久就预测到异常晶粒的生长。」理海大学 P.C. Rossin 工程与应用科学学院计算机科学与工程副教授、论文的通讯作者之一 Brian Y. Chen 说道，「……当我们设计材料时，我们希望能够有意地设计它们以避免异常的晶粒生长。」
虽然愿望很美好，但是论文里的结果仍然无法明确解释异常生长是如何发生的。不过，依据已有的信息，研究人员可以对 AGG 情景的物理原理做出一些可能的推论。
那幅画面是这样的：相对独立的、初始的异常晶粒被一片「正常」晶粒包围。这些未来的异常晶粒会获得——在这种情况下，是通过随机的、协同的复合相变——从而改变一些高曲率边界上的晶粒边界迁移率，这些高速度边界赋予了它们生长优势。随着时间的推移，这种生长优势会导致较大的异常晶粒被许多较小的正常晶粒包围，并最终与异常晶粒发生碰撞。
当然，这也只是一种猜测，还需要科学家进行进一步验证。
无论怎样，「这项研究为材料科学家开辟了一种令人兴奋的新可能性，使他们能够『展望未来』，以前所未有的方式预测材料结构的未来演变。」理海大学美铝基金会材料科学与工程荣誉教授、该论文作者之一 Martin Harmer 表示，「这将对设计用于国防、航空航天和商业应用的可靠材料产生重大影响。」
相关内容：https://techxplore.com/news/2025-04-material-failure-machine-early-abnormal.html