上海交通大学轻合金精密成型国家工程研究中心材料智能设计与加工研究室最近在美国金属学会会刊Metall. Mater. Trans. A发表题为《Predicting TwinNucleation in a Polycrystalline Mg Alloy using Machine Learning Methods》的研究成果，文章的第一作者为研究室硕士生童周诺，通讯作者为王乐耘特别研究员，共同作者为博士生朱高明以及曾小勤教授。论文链接：https://link.springer.com/article/10.1007%2Fs11661-019-05468-7

镁合金是最轻质的金属结构材料，在航空航天、汽车、医用等领域有广泛应用前景。针对镁合金的研究目前集中于如何提高其室温延展性，这对于降低部件的加工成本具有重要意义。镁的室温延展性与一种叫孪晶的微观变形过程紧密相关。在材料变形过程中，一些晶粒会发生孪晶即局部晶体取向翻转，宏观上表现为流变应力下降。大量统计研究表明，初始晶粒的晶体取向、晶粒尺寸以及晶界处的应力集中均会对孪晶的启动产生影响，也有一些基于微观力学的孪晶形核准则被提出。然而，目前没有一套有效的判据，能够准确预测材料变形时孪晶在哪些晶粒内会形核。

随着大数据时代的来临，机器学习算法提供了一种从数据本身找到规律的新思路，在各种领域已经得到了广泛应用。孪晶启动本质上是一个基于晶粒特征的二分类问题。当程序获得了足够多的晶粒数据后，通过机器学习中的分类算法就能够自动建立判断孪晶形核的数学模型。通过设定模型评价指标并优化算法参数，可以逐步提高模型的预测准确率以及泛化能力。

在本论文中，研究团队制备了三个具有不同织构的镁合金样品，分别具有636、572和840个晶粒，以一个样品作为训练集，另两个样品作为测试集。采用了决策树、梯度提升树(XGBOOST)、支持向量机(SVM)、神经网络(ANN)和朴素贝叶斯(NB)等五种算法来建立模型。最终，通过SVM和ANN算法建立的两个模型达到了87%的测试集预测准确率，远高于用传统微观力学方法建立的模型准确率。此外，论文还给出了晶粒的不同属性对于孪晶形核影响的重要性排序。