晶体在外部热或应力激励下的结构响应主要发生在在明确的结构缺陷，如位错。然而无序固体缺乏长程对称性，不具备传统缺陷。过去几十年里已有一些现象学模型来理解无序固体中塑性重排的结构起源。这些模型的共识是无序固体的原子重排源于一些堆积松散的区域。最近研究人员通过采用机器学习方法确定了与重排相关的结构缺陷，使用非仿射平方位移来定义每个原子的微观结构量，“柔度”。虽然之前大量的机器学习已经证明了机器学习参数确实为研究结构不稳定性提供了强有力的线索，但仍存在一些不足。首先研究都是基于有监督的机器学习技术，需要利用动态信息对训练中的重排原子和非重排原子进行分类。其次这些工作采用的训练预测模型是特定于系统的，因此在建立跨成分的普适性的结构-塑性关联能力方面受到限制。第三，监督机器学习训练的模型是依赖于其属性的。因此尽管近年来已有许多有监督机器学习模型和预测器被提出用于各种无序系统的局部结构不稳定性预测，但这些模型的普适性仍有待解决。
基于此，北京计算科学研究中心管鹏飞研究团队在系统分析各种金属玻璃系统的机器学习模型的基础上，发现由机器学习算法得到的加权函数与各个系统的径向分布函数具有惊人的相似性。提出了密度涨落模型，这种简单、高效的模型可以可靠地识别在热或应力激活激励下引起结构失稳的微观缺陷。同时，该模型对多种典型金属玻璃体系具有很强的普适性。研究结果为揭示玻璃料结构不稳定性的结构成因提供了一条新的途径。相关论文以题为“Machine-learning inspired density-fluctuation model of local structural instability in metallic glasses”发表在Acta Materialia上。
图1 利用柔度预测塑性重排事件
图2 Cu50Zr50金属玻璃超平面法向与修正径向分布函数的关联
图3径向柔度与动力学之间的关联
图4 柔度和径向柔度的区别
研究人员基于密度涨落模型将金属玻璃的复杂动力学与径向柔度进行关联，该模型采用全局径向密度分布来加权局部密度波动特征。灵感来自机器学习的柔度模型，这可以表征局部缺陷，使探索金属玻璃硬区和软区成为可能。这种新的密度涨落模型可用于识别金属玻璃的结构不稳定性。与其他广泛使用的基于静态结构的结构参数相比，这一模型可以更好地预测热或应力引起的结构重排。提出的概念有助于阐明无序材料的结构-性质关系，对设计新型大块金属玻璃具有理论指导意义。（文：Keep real）
