金属/陶瓷多层复合材料是支持现代高新技术不断发展的重要材料之一，由于具有独特的电，磁，光学和机械性能备受关注。金属/陶瓷多层复合材料每层的大界面面积和小长度尺度导致了材料的新变形行为。优化单层厚度后的金属/陶瓷多层复合材料可以在不损失导电性的情况下实现机械柔性。在金属/陶瓷多层复合材料作为芯片互连的使用过程中，需要抵抗电流及其耦合的热场和机械场造成的损伤。由于多层复合材料的研究的周期长、测试成本高，因此希望采取数据驱动的计算方法对其尺寸效应对硬度的影响进行可视化及预测。近日，辽宁工程技术大学王鸣副教授 (Ming Wang) 团队、东北大学孙杰(Jie Sun)教授、昆士兰科技大学闫诚(Cheng Yan) 教授团队，建校以来首次在金属材料领域顶级期刊Scripta Materialia上发表了题目为"Length-scale effect on the hardness of metallic/ceramic multilayered composites: A machine learning prediction"的研究文章。辽宁工程技术大学王鸣副教授为第一作者兼通讯作者，东北大学孙杰教授、昆士兰科技大学闫诚教授为共同通讯作者。https://doi.org/10.1016/j.scriptamat.2023.115921该团队首次提出多层复合材料的硬度随着穿透深度的增加而增加的行为与参与变形的界面数量之间的关系，阐明了纳米压痕引起的金属/陶瓷多层复合材料的变形行为。另一方面，采用机器学习(ML)方法获得了金属/陶瓷多层复合材料在变形机制临界变化时的单层厚度。当单层厚度大于该尺寸时，变形规律遵循经典的Hall-Petch关系，否则偏离经典的Hall-Petch关系。并且将优化后的随机森林回归(RFR)模型用于预测不同金属/陶瓷多层复合材料体系的硬度。这项工作开辟了实验与机器学习相结合，研究的崭新领域，推动了芯片互连结构的发展。为高性能金属/陶瓷多层复合材料的研究提供了很好的研究思路。图2 (a) PCC相关系数矩阵。(b) 预测硬度与实验硬度对比。(c) 三种ML模型的性能比较。(d) 单个厚度、加载力、界面应力集中和弹性模量对ML性能的影响。作者通过揭示Al/Si3N4多层复合材料的变形机制，从而建立了可靠的机器学习模型，提出了金属/陶瓷复合材料的变形机制的临界变化点。通过机器学习的方法揭示了不同晶体结构的金属组元对临界变化单层厚度的影响。机器学习在材料科学领域的应用有助于探索新的材料性质和应用，加速了新材料的发现和设计，为材料科学研究开辟了新的范式。
来自微信公众号“材料科学与工程”。感谢论文作者团队供稿支持。
