了解难熔氧化物的结构和性质对于高温应用至关重要。铸铁在1200摄氏度左右熔化。不锈钢的熔化温度约为1,520摄氏度。如果想将这些材料成型为日常物品，例如厨房的煎锅或医生使用的外科工具，需要使用即使在极端温度下也能承受的物品来制造炉子和模具。这就是难熔氧化物的来源。但是考虑到使用这些材料的环境往往非常危险，科学家们希望在这些材料制成的部件在现实世界中遇到这些温度之前，尽可能多地了解它们在高温下会发生什么。因此，来自阿贡的几个学科的科学家联合起来，创造了一种测试和预测高温对难熔氧化物影响的新方法。

耐火氧化物是高温陶瓷材料、热障涂层和核应用开发中必不可少的成分。它们的高熔化温度（Tm> 1500°C）除了具有绝缘性能和防止氧化的能力外，还使耐火材料适用于恶劣环境。因此，确定接近熔点的相变和结构重排非常重要。衍射在使用CALPHAD方法计算相图和热化学中起着重要作用，而CALPHAD方法已经成为通过计算吉布斯自由能提供一致的材料稳定结构和热力学性质的基础。特别是X射线粉末衍射是材料表征的主要工具，可提供有关结晶相、热膨胀以及与不同气氛中的相变相关的体积变化的数据。中子粉末衍射还提供了有价值的结构信息，尤其是在氧气等较轻的元素上，但通常需要更大的样本和更长的计数时间。但是，在温度> 2000°C的情况下，几乎没有适合进行X射线和中子衍射实验的容器。在过去的十年中，空气悬浮和激光加热技术与高能X射线和中子衍射相结合的发展已将晶体学测量推向1500°C以上，从而在较宽的相空间范围内提供了准确的结构数据。

在计算建模方面，从头算分子动力学模拟（AIMD）提供了具有量子力学精度的原子尺度分辨率，但仅限于较短的模拟时间和较小的系统尺寸。基于固定的解析函数形式的经验性原子间电势源自物理或化学直觉，并根据实验性质或从头算来进行参数化，但缺乏复杂性以捕获达到从头算的准确性所需要的多体相互作用。近年来，将量子力学计算与机器学习相结合的进展已产生了一类新的原子间势，该势能直接从参考从头算数据集中学习势能表面态势。机器学习的原子间电势 (Machine learning interatomic potentials, ML-IP) 可以保持从头算的准确性，同时在较大的系统尺寸（通过线性缩放）和时间尺度上可提供与经典原子间电势相当的原子分辨率。特别是，基于高斯近似势 (Gaussian approximation potential, GAP) 的ML-IP已成功应用于液体模型、晶体、缺陷、无定形的多组分材料和分子。训练ML-IP需要有效地从广泛的化学空间中提取配置，并找到最佳的超参数。主动学习是机器学习的一个子领域，其中无监督的机器学习会以最少的训练配置数量达到最佳的有监督的机器学习模型（即ML-IP）。

来自美国阿贡国家实验室多个学科的研究人员在Physical Review Letters期刊上报告了一个活跃的学习者，该学习者依靠利用嵌入给定的未标记原子配置中的簇结构来获得最少数量的训练配置。在该研究中，研究人员建议通过如图1所示的闭环主动学习方案，将极端条件下的实验进展和理论建模结合在一起。研究人员的方案包括三个部分：（1）在不超过熔融温度的条件下进行实验测量难熔氧化物样品。模型结构适合于在不同参考温度下每个相的中子和X射线衍射测量。原位高能X射线衍射用于获得随温度变化的晶胞体积。（2）通过模型结构初始化的主动学习方案驱动了在实验测量区域上的相空间探索。（3）生成的ML-IP可以通过主动学习方案进行迭代改进。为了说明这种方法，研究人员考虑了原型耐火氧化物，二氧化铪HfO2（与ZrO2陶瓷研究最多的同质结构）。加热后，HfO2经历从单斜晶相（m-HfO2）到四方晶相（t-HfO2）到立方相（c-HfO2）的转变，然后在〜2800°C熔化。

图1. 实验驱动的工作流程。(1) 使用单轴激光加热系统在空气动力学悬浮的HfO2样品上在宽温度范围内测量实验性高能X射线和中子衍射图。(2) 基于集群的主动学习可以在广泛的相空间中进行探索。(3) 迭代训练和拟合方法提供对(2)的反馈。

计算科学家与Argonne X射线科学部的物理学家Chris Benmore和助理物理学家Leighanne Gallington进行了合作。Benmore和Gallington在Argonne的DOE科学用户设施办公室Advanced Photon Source（APS）工作，该装置产生非常明亮的X射线束，以照亮材料的结构。他们在本实验中使用的光束线使他们能够在极端条件下（例如高温）检查材料的局部和远距离结构。

当然，加热难熔氧化物（在这种情况下为熔化在约2870摄氏度的二氧化铪）会带来自身的复杂性。通常，样品会放在一个容器中，但是没有一个能承受这些温度并且仍然允许X射线穿过它们。而且您甚至不能将样品放在桌子上，因为桌子会在样品熔化之前融化。

图2. 用于研究难熔氧化物在APS处熔点的空气悬浮过程的图示。在X射线检查其结构之前，一小串材料被气体漂浮，并被高架激光器加热。

该解决方案称为空气悬浮，涉及科学家使用气体将小的（直径为2-3毫米）球形样品悬浮在空气中约1毫米的过程。

Gallington表示他们有一个与惰性气体流相连的喷嘴，当它悬浮样品时，一台400瓦的激光从上方加热该材料。实验过程中需要调整气流，让它稳定悬浮。并且不要把它放得太低，因为样品会碰到喷嘴，并可能熔化。

一旦获取了数据，并且束线科学家对氧化铪融化后会发生的情况有了很好的了解，计算机科学家便将球拿走并随心所欲地奔跑。Sivaraman将数据输入两组机器学习算法中，其中一组可以理解理论并可以做出预测，而另一组是主动学习算法，可以充当助教，只为第一个提供最有趣的数据和。主动学习可以帮助其他类型的机器学习以更少的数据进行学习，假设用户想从自己的房子走到市场。也许有很多方法可以到达那里，但是只需要知道最短的路径即可。主动学习将指出最短的路径，并过滤掉其他的路径。

计算是在ALCF和位于Argonne的实验室计算资源中心的超级计算机上运行的。团队最终得到的是一种基于现实生活数据的计算机生成的模型，该模型可以让他们预测实验者没有或无法捕获的事物。

Benmore表示他们具有所谓的多相电势，它可以预测很多事情。研究人员现在可以继续为您提供其他参数，例如它在高温下保持形状的程度，这是我们无法测量的。研究人员可以推断出，如果温度超出可达到的范围，将会发生什么。

Benmore补充说：“该模型仅与您提供的数据一样好，而您提供的数据越多，它就会变得越好。” “我们会提供尽可能多的信息，并且模型会变得更好。”

Sivaraman将这项工作描述为一种概念证明，可以反馈到进一步的实验中。他说，这是一个很好的例子，说明了阿贡国家大学不同部门之间的合作以及没有国家实验室资源就无法完成的研究。

Sivaraman说：“我们将在其他材料上重复这一实验。” “我们的APS同事拥有研究这些材料在极端条件下如何融化的基础架构，我们正在与计算机科学家合作开发软件和流媒体基础架构，以快速大规模地处理这些数据集。我们可以将主动学习纳入框架并教授模型以使用ALCF超级计算机更有效地处理数据流。”

对于Stan来说，概念证明可以代替那些进行这些精确计算的人所需要的乏味工作。他在职业生涯中就已经观察到了这项技术的发展，而现在曾经花了几个月的时间只需要几天。他笑着说：“我并不是说人类并不出色，但是如果我们从计算机和软件中获得帮助，我们将会变得更强大。这为开展更多这样的科学实验打开了大门。”