了解難熔氧化物的結構和性質(zhì)對于高溫應用至關重要。鑄鐵在1200攝氏度左右熔化。不銹鋼的熔化溫度約為1,520攝氏度。如果想將這些材料成型為日常物品，例如廚房的煎鍋或醫(yī)生使用的外科工具，需要使用即使在極端溫度下也能承受的物品來制造爐子和模具。這就是難熔氧化物的來源。但是考慮到使用這些材料的環(huán)境往往非常危險，科學家們希望在這些材料制成的部件在現(xiàn)實世界中遇到這些溫度之前，盡可能多地了解它們在高溫下會發(fā)生什么。因此，來自阿貢的幾個學科的科學家聯(lián)合起來，創(chuàng)造了一種測試和預測高溫對難熔氧化物影響的新方法。

耐火氧化物是高溫陶瓷材料、熱障涂層和核應用開發(fā)中必不可少的成分。它們的高熔化溫度（Tm> 1500°C）除了具有絕緣性能和防止氧化的能力外，還使耐火材料適用于惡劣環(huán)境。因此，確定接近熔點的相變和結構重排非常重要。衍射在使用CALPHAD方法計算相圖和熱化學中起著重要作用，而CALPHAD方法已經(jīng)成為通過計算吉布斯自由能提供一致的材料穩(wěn)定結構和熱力學性質(zhì)的基礎。特別是X射線粉末衍射是材料表征的主要工具，可提供有關結晶相、熱膨脹以及與不同氣氛中的相變相關的體積變化的數(shù)據(jù)。中子粉末衍射還提供了有價值的結構信息，尤其是在氧氣等較輕的元素上，但通常需要更大的樣本和更長的計數(shù)時間。但是，在溫度> 2000°C的情況下，幾乎沒有適合進行X射線和中子衍射實驗的容器。在過去的十年中，空氣懸浮和激光加熱技術與高能X射線和中子衍射相結合的發(fā)展已將晶體學測量推向1500°C以上，從而在較寬的相空間范圍內(nèi)提供了準確的結構數(shù)據(jù)。

在計算建模方面，從頭算分子動力學模擬（AIMD）提供了具有量子力學精度的原子尺度分辨率，但僅限于較短的模擬時間和較小的系統(tǒng)尺寸。基于固定的解析函數(shù)形式的經(jīng)驗性原子間電勢源自物理或化學直覺，并根據(jù)實驗性質(zhì)或從頭算來進行參數(shù)化，但缺乏復雜性以捕獲達到從頭算的準確性所需要的多體相互作用。近年來，將量子力學計算與機器學習相結合的進展已產(chǎn)生了一類新的原子間勢，該勢能直接從參考從頭算數(shù)據(jù)集中學習勢能表面態(tài)勢。機器學習的原子間電勢 (Machine learning interatomic potentials, ML-IP) 可以保持從頭算的準確性，同時在較大的系統(tǒng)尺寸（通過線性縮放）和時間尺度上可提供與經(jīng)典原子間電勢相當?shù)脑�子分辨率。特別是，基于高斯近似勢 (Gaussian approximation potential, GAP) 的ML-IP已成功應用于液體模型、晶體、缺陷、無定形的多組分材料和分子。訓練ML-IP需要有效地從廣泛的化學空間中提取配置，并找到最佳的超參數(shù)。主動學習是機器學習的一個子領域，其中無監(jiān)督的機器學習會以最少的訓練配置數(shù)量達到最佳的有監(jiān)督的機器學習模型（即ML-IP）。

來自美國阿貢國家實驗室多個學科的研究人員在Physical Review Letters期刊上報告了一個活躍的學習者，該學習者依靠利用嵌入給定的未標記原子配置中的簇結構來獲得最少數(shù)量的訓練配置。在該研究中，研究人員建議通過如圖1所示的閉環(huán)主動學習方案，將極端條件下的實驗進展和理論建模結合在一起。研究人員的方案包括三個部分：（1）在不超過熔融溫度的條件下進行實驗測量難熔氧化物樣品。模型結構適合于在不同參考溫度下每個相的中子和X射線衍射測量。原位高能X射線衍射用于獲得隨溫度變化的晶胞體積。（2）通過模型結構初始化的主動學習方案驅動了在實驗測量區(qū)域上的相空間探索。（3）生成的ML-IP可以通過主動學習方案進行迭代改進。為了說明這種方法，研究人員考慮了原型耐火氧化物，二氧化鉿HfO2（與ZrO2陶瓷研究最多的同質(zhì)結構）。加熱后，HfO2經(jīng)歷從單斜晶相（m-HfO2）到四方晶相（t-HfO2）到立方相（c-HfO2）的轉變，然后在〜2800°C熔化。

圖1. 實驗驅動的工作流程。(1) 使用單軸激光加熱系統(tǒng)在空氣動力學懸浮的HfO2樣品上在寬溫度范圍內(nèi)測量實驗性高能X射線和中子衍射圖。(2) 基于集群的主動學習可以在廣泛的相空間中進行探索。(3) 迭代訓練和擬合方法提供對(2)的反饋。

計算科學家與Argonne X射線科學部的物理學家Chris Benmore和助理物理學家Leighanne Gallington進行了合作。Benmore和Gallington在Argonne的DOE科學用戶設施辦公室Advanced Photon Source（APS）工作，該裝置產(chǎn)生非常明亮的X射線束，以照亮材料的結構。他們在本實驗中使用的光束線使他們能夠在極端條件下（例如高溫）檢查材料的局部和遠距離結構。

當然，加熱難熔氧化物（在這種情況下為熔化在約2870攝氏度的二氧化鉿）會帶來自身的復雜性。通常，樣品會放在一個容器中，但是沒有一個能承受這些溫度并且仍然允許X射線穿過它們。而且您甚至不能將樣品放在桌子上，因為桌子會在樣品熔化之前融化。

圖2. 用于研究難熔氧化物在APS處熔點的空氣懸浮過程的圖示。在X射線檢查其結構之前，一小串材料被氣體漂浮，并被高架激光器加熱。

該解決方案稱為空氣懸浮，涉及科學家使用氣體將小的（直徑為2-3毫米）球形樣品懸浮在空氣中約1毫米的過程。

Gallington表示他們有一個與惰性氣體流相連的噴嘴，當它懸浮樣品時，一臺400瓦的激光從上方加熱該材料。實驗過程中需要調(diào)整氣流，讓它穩(wěn)定懸浮。并且不要把它放得太低，因為樣品會碰到噴嘴，并可能熔化。

一旦獲取了數(shù)據(jù)，并且束線科學家對氧化鉿融化后會發(fā)生的情況有了很好的了解，計算機科學家便將球拿走并隨心所欲地奔跑。Sivaraman將數(shù)據(jù)輸入兩組機器學習算法中，其中一組可以理解理論并可以做出預測，而另一組是主動學習算法，可以充當助教，只為第一個提供最有趣的數(shù)據(jù)和。主動學習可以幫助其他類型的機器學習以更少的數(shù)據(jù)進行學習，假設用戶想從自己的房子走到市場。也許有很多方法可以到達那里，但是只需要知道最短的路徑即可。主動學習將指出最短的路徑，并過濾掉其他的路徑。

計算是在ALCF和位于Argonne的實驗室計算資源中心的超級計算機上運行的。團隊最終得到的是一種基于現(xiàn)實生活數(shù)據(jù)的計算機生成的模型，該模型可以讓他們預測實驗者沒有或無法捕獲的事物。

Benmore表示他們具有所謂的多相電勢，它可以預測很多事情。研究人員現(xiàn)在可以繼續(xù)為您提供其他參數(shù)，例如它在高溫下保持形狀的程度，這是我們無法測量的。研究人員可以推斷出，如果溫度超出可達到的范圍，將會發(fā)生什么。

Benmore補充說：“該模型僅與您提供的數(shù)據(jù)一樣好，而您提供的數(shù)據(jù)越多，它就會變得越好。” “我們會提供盡可能多的信息，并且模型會變得更好。”

Sivaraman將這項工作描述為一種概念證明，可以反饋到進一步的實驗中。他說，這是一個很好的例子，說明了阿貢國家大學不同部門之間的合作以及沒有國家實驗室資源就無法完成的研究。

Sivaraman說：“我們將在其他材料上重復這一實驗。” “我們的APS同事?lián)碛醒芯窟@些材料在極端條件下如何融化的基礎架構，我們正在與計算機科學家合作開發(fā)軟件和流媒體基礎架構，以快速大規(guī)模地處理這些數(shù)據(jù)集。我們可以將主動學習納入框架并教授模型以使用ALCF超級計算機更有效地處理數(shù)據(jù)流。”

對于Stan來說，概念證明可以代替那些進行這些精確計算的人所需要的乏味工作。他在職業(yè)生涯中就已經(jīng)觀察到了這項技術的發(fā)展，而現(xiàn)在曾經(jīng)花了幾個月的時間只需要幾天。他笑著說：“我并不是說人類并不出色，但是如果我們從計算機和軟件中獲得幫助，我們將會變得更強大。這為開展更多這樣的科學實驗打開了大門。”