第一作者：李跃

通讯作者：李跃，龚逸伦，王章维，Baptiste Gault

通讯单位：德国马普钢铁所、中南大学

论文DOI：doi.org/10.1002/adma.202407564

全文速览

固体材料中，化学短程有序（CSRO）指的是某些特定种类的原子自发地占据特定的晶体位置。近年来，CSRO逐渐被视作调控材料力学性能和功能特性的一个新途径。然而，材料性能与CSRO结构的形态、数量密度以及原子排列之间的定量关系依然难以把握。在此背景下，李跃团队展示了如何利用机器学习增强的三维原子探针技术（APT）来深度挖掘接近原子分辨率的APT数据。结合APT技术的高元素灵敏度，该团队提供了对CoCrNi中熵合金中CSRO的三维定量分析。研究揭示了多种CSRO配置，并通过先进的蒙特卡罗模拟验证了它们的形成机制。利用这些获得的CSRO定量结果，可以建立起加工参数与物理性能之间的关联。对CSRO的精确三维表征将有助于通过操控原子尺度的结构来实现先进材料的设计。

背景介绍

从铁器时代至今，人类开发了各种策略，旨在通过操控材料的成分、结构和缺陷，从宏观到微观乃至原子尺度上，精细调整材料的性能以满足不断变化的社会需求。传统的合金制造方法通常涉及将少量的一种或多种溶质元素引入溶剂元素的基体中。在加工过程中，会形成一种或多种（亚）稳定相，从而改变材料对物理或机械刺激的响应方式。在过去的十年里，高/中熵合金（H/MEAs）应运而生，这类合金混合了多种元素，并且这些元素的比例相等或接近相等。尽管最初人们认为它们是化学无序的，但最近的研究表明，在H/MEAs中，原子尺度的化学短程有序比最初假设的要普遍得多，这为调控它们的性能提供了一个新的潜在手段。

CoCrNi作为一种典型的高/中熵合金，其中CSRO的存在与性质目前仍是学术界争论的焦点。透射电子显微镜是解析CSRO最常用的方法，但迄今为止，关于CSRO的存在与结构配置的报告却相互矛盾，即使是对在相同条件下合成的样品也是如此。由于二维投影成像的固有限制，研究人员指出，观察到的电子反射可能来源于CSRO之外的其他因素，例如平面缺陷和高阶劳厄区。因此，迫切需要一种可靠的三维分析方法来解决这些争议，并为在材料设计中利用CSRO提供便利。

主要内容

近日，马普钢铁研究所李跃博士领衔与国内外多家科研单位合作，引入了一种被称为ML-APT的方法，用于克服APT数据中各向异性的空间分辨率和不完美的探测效率的缺陷。该方法被用于对CoCrNi合金中的CSRO结构进行三维量化，且无需任何先验的CSRO配置知识。总体流程如图1所示。ML-APT不仅能够识别CSRO，还能量化有序结构的数量密度、配置、元素位置占据以及尺寸/形态。随后，他们使用蒙特卡罗模拟来验证其分析，以促进对有序反应机制的深入理解。最后，他们展示了如何建立直接的加工参数-CSRO-性能之间的关系，为进一步的材料设计提供了新的可能性。相关研究结果近日以题为“Machine Learning-Enabled Tomographic Imaging of Chemical Short-Range Atomic Ordering”发表在国际著名期刊Advanced Materials上。其中马普所李跃博士为第一作者和主要通讯，中南大学王章维教授、马普所龚逸伦博士、Baptiste Gault教授为论文共同通讯作者。论文DOI：https://doi.org/10.1002/adma.202407564.

图1  ML-APT 总体框架。 (a) 首先，执行一系列位置特定的APT实验以收集所需数据，这些数据被体素化为数百万个1纳米的立方体，并转化为z-SDM。(b) 随后，利用模拟的CSRO模式库训练神经网络，以获得CSRO识别模型。该模型的可靠性通过大规模的APT模拟进行了验证。(c) 之后将预处理后的实验z-SDM输入CSRO识别模型，以获得三维CSRO分布。通过原子级模拟的支持，揭示了多类型CSRO的详细特征。(d) 最后，建立了成分/加工-CSRO-电阻率之间的关系。

图2  CoCrNi合金在1273K退火120小时后的典型APT数据及其常规数据分析方法。(a) EBSD图突出了用于APT实验的晶粒。(b) 代表性的二维探测器命中图。 (c) 沿<002>方向的精确三维APT重构图。(d) (c)中沿<002>方向的一个薄切片的局部特写。(e) (c)中一个代表性体素中不同元素对的z-SDM图。其特征对应于面心立方（fcc）结构。两种传统的APT分析方法：(f) Co、Cr和Ni原子的频率分布分析，与二项式随机分布进行比较；以及(g) Co-Co、Cr-Cr和Ni-Ni元素对的k最近邻距离分析（k=1和5）。

图3  ML-APT框架用于识别CoCrNi合金中的多类型CSRO流程图。(a) 随机面心立方（random-fcc）、弱L12-CSRO和强L12-CSRO的晶胞。(b) 在执行APT模拟后，沿<002>方向显示的典型Co-Co z-SDMs，表示CSRO的演变。(c) 优化的一维卷积神经网络（1D CNN）结构示意图，用于获得随机面心立方/CSRO识别模型。(d) 处理实验数据以获得3D CSRO分布的流程图。

图4  退火CoCrNi合金中沿<002>方向分布的CSRO的3D定量分析结果。(a) Ni-Ni CSRO的3D分布及元素映射。 (b), (c), (d) 分别为识别出的Co-Co、Cr-Cr和Ni-Ni CSRO的尺寸分布。结果与化学随机化数据集进行比较，并用Pearson相关系数（PCC）和Pearson列联系数（µ）进行分析。 (e) (d)中区域的局部放大。(f) 从(e)中提取的典型Ni-Ni CSRO域的3D原子图。(g) 其对应的Ni-Ni z-SDM。

图5   不同热处理下CoCrNi合金中多类型CSRO的3D原子级细节及其引起的电阻率变化。(a) 具有{100}平面上Ni-Ni排斥的L12/DO22-CSRO结构。(b) 具有{111}平面上A-A或B-B排斥的L11-CSRO结构。元素A或B指代富含Co、Cr或Ni的位点，但不能同时是相同的元素。(c) 和 (d) 不同热处理下沿<002>和<111>方向的µ的变化。彩色区域突出了退火后µ值的变化。分析了三个APT数据集，以获得每个数据点的统计结果。µ=0.25被认为是CSRO与随机状态之间的阈值。(e) 热处理下不同类型CSRO的数量密度变化（×1025 m−3）。(f) 从均匀化到退火过程中CSRO结构的演变，图(a)和(b)中绘制了相应的CSRO配置。(g) 不同热处理下电阻率的演变。

图6   蒙特卡罗模拟预测的CSRO。(a) 和 (b) 分别为在1000K下Co-Co、Cr-Cr和Ni-Ni对在(001)和(111)平面中的预测CSRO弥散强度图α_q。倒易空间向量以2π/a为单位表示，其中a是晶格参数。

主要作者简介

李跃博士是亚历山大·冯·洪堡特学者（2021-2024年），曾在德国马克斯·普朗克铁研究所担任博士后研究员（2019-2021年）。2019年，他获得了北京科技大学材料科学与工程博士学位。其研究兴趣主要在于轻质金属纳米级微结构智能解析与设计。截至目前，其已在知名SCI期刊上以第一作者或通讯作者身份发表了18篇论文（包括Adv. Mater., Nat. Commun., npj Comput. Mater., Acta Mater. (3篇), Prog. Mater. Sci.）。