镁合金因轻量化、高比强度等优势，被视为航空航天、汽车领域的 “减重利器”，但它的六方晶体结构导致强度低、塑性差，长期限制实际应用。传统方法（如经验模型、单一实验）难以捕捉纳米尺度下 “晶粒结构 - 力学性能” 的复杂关联，尤其对梯度纳米结构镁合金的强化机制研究不足。 

发表于Materials Letters（2026 年，Volume 403，DOI: 10.1016/j.matlet.2025.139547）的研究论文《Investigation of strengthening mechanisms in gradient nanostructured polycrystalline magnesium using machine learning and molecular dynamics》，提出 “分子动力学（MD）+ 机器学习（ML）” 联合框架 ，彻底破解这一痛点。

该团队构建 298 个梯度 / 均质纳米晶镁模型，通过 MD 模拟获取拉伸变形数据，再用 11 种机器学习算法挖掘关键影响因素。 结果显示：晶粒尺寸梯度和均匀性是调控拉伸性能的核心 —— 梯度结构通过均匀应力分布提升强塑性，均匀晶粒则通过提高孪生率（37.5% vs 21.4%）增强弹性强度。这一发现为设计 “高强度 - 高塑性” 镁合金提供明确方向，有望推动镁合金在轻量化领域的规模化应用。  

论文以 “解决梯度纳米晶镁合金强化机制不明确” 为核心，分 “模型构建 - 数据挖掘 - 机制验证” 三步展开。 

1. 基础准备：298 个纳米晶镁模型的 “全景实验” 

要找到强度调控的关键因素，首先需构建覆盖不同结构的模型并获取可靠数据。

*模型设计： 1）梯度结构模型（198 个）：分 “高密度端 - 过渡中间层 - 低密度端”，调整晶粒数量（28-32 个），模拟实际梯度材料的结构特征； 2）均质结构模型（100 个）：改变晶粒形状（六边形 / 不规则形），用于对比梯度结构的优势；模型尺寸统一为 72×1.667×124.7 nm，采用 Liu-EAM 势函数描述原子间作用力，贴合镁的实际晶体特性。 

*MD 模拟条件： a.先在 300K、1bar 下弛豫（NPT 系综），消除初始应力； b.沿 z 轴施加 14% 拉伸应变（速率 2×10⁹ s⁻¹），保持 300K 恒温，记录应力 - 应变曲线、位错分布、孪生行为； c.用 LAMMPS 计算、Ovito 可视化，确保数据可追溯。 *数据维度：提取晶粒密度（凸包面积内原子数）、形状（外接盒长宽比、紧密度）、取向等特征，为机器学习提供输入。 

2. 关键技术：机器学习锁定 “强度调控密码” 

传统分析需人工筛选特征，效率低且易遗漏关键因素。本研究用 11 种主流回归算法（如随机森林、梯度提升树）构建预测模型，实现 “数据驱动的特征挖掘”。 

*模型性能：所有算法均表现优异 —— 决定系数 R² 接近 1，均方根误差（RMSE）低至 0.001，平均绝对百分比误差（MAPE）<5%（图 1a-c），证明模型可靠性； 

*核心发现：通过特征重要性分析（图 1d），锁定两个关键因素： 1）晶粒密度梯度：贡献占比超 60%，是影响拉伸强度的首要因素； 2）晶粒形状均匀性：贡献占比约 30%，对弹性阶段强度影响显著；而晶粒取向贡献不足 10%，可忽略不计，大幅简化后续机制分析。 

3. 机制验证：梯度结构如何同时（强 + 塑）？ 

基于机器学习的发现，团队针对性验证梯度结构与晶粒形状的强化机制，揭示两大核心规律。 

（1）梯度晶粒密度：同时提升强度与塑性 对比 “28 晶粒梯度模型” 与 “32 晶粒均质模型” 的拉伸行为（图 2a）： *强度优势：梯度模型的屈服强度比均质模型高 15%，且断裂应变提升 20%，打破 “强度与塑性不可兼得” 的传统认知； 

*物理机制1）位错梯度调控：梯度模型中高密度位错区域（占比 43.11%，图 2g）与低密度区域形成 “位错流动通道”，避免局部位错堆积导致的脆性断裂； 2）应力均匀分布：小晶粒区域吸收更多变形（图 2h-i），应力集中系数降低 30%，减少裂纹萌生概率；

*特殊现象：当晶粒尺寸过小（<10 nm）时，出现 “反霍尔 - 佩奇效应”—— 强度随晶粒细化反而下降，这是因为变形机制从 “位错主导” 转为 “晶界滑动主导”（图 2f）。 

（2）晶粒形状均匀性：增强弹性但削弱塑性 对比六边形（均匀）与不规则（非均匀）晶粒的拉伸表现（图 3a）： *弹性优势：均匀晶粒的弹性阶段强度高 22%，因晶界应力分布更均匀（图 3b-c），无局部应力集中； *塑性代价：均匀晶粒的孪生率达 37.5%（不规则晶粒仅 21.4%，图 3d-e），孪生导致晶粒细化（图 3f-g），虽提升弹性，但会割裂晶粒完整性，使塑性阶段强度下降 18%；*工程启示：需根据需求平衡晶粒均匀性 —— 追求弹性选均匀晶粒，追求强塑性平衡选适度不规则晶粒。 

图文速览

图 1：机器学习算法性能与特征贡献 （a）RMSE（均方根误差）：所有算法 RMSE<0.004，其中梯度提升树表现最优（RMSE=0.001）； （b）R²（决定系数）：多数算法 R²>0.95，证明模型对拉伸强度的预测精度极高； （c）MAPE（平均绝对百分比误差）：均 < 5%，无显著系统偏差； （d）特征贡献：晶粒密度（蓝色）贡献最高（>60%），晶粒形状（橙色）次之（~30%），取向（灰色）可忽略。 解读：用数据证明机器学习的可靠性，同时锁定 “晶粒密度 + 形状” 为关键调控因素，避免后续研究走弯路 —— 无需在取向等次要因素上浪费精力。  

图 2：梯度结构的强化机制 （a）应力 - 应变曲线：梯度模型（28 晶粒）比均质模型（32 晶粒）屈服强度高 15%，断裂应变大 20%； （b）加工硬化曲线：梯度模型的硬化率在塑性阶段更稳定，无突然下降（脆性断裂特征）； （c-e）原子应变云图：屈服应变下，均质模型（c-d）的晶界应变集中更明显，梯度模型（e）应变分布更均匀； （g）位错比例：梯度模型中高密度位错区域占 43.11%，形成 “位错梯度”，缓解局部堆积； （h-i）应力 / 应变分布：小晶粒区域应力吸收多（h）、应变长度占比高（i），证明梯度结构的 “均匀承载” 优势。 解读：直观展示梯度结构的强塑性优势来源 —— 通过位错与应力的梯度调控，解决 “局部失效” 问题，为设计高可靠性镁合金提供物理依据。  

图 3：晶粒形状对性能的影响： （a）应力 - 应变曲线：六边形晶粒（均匀）的弹性阶段强度高 22%，但塑性阶段强度低 18%； （b-c）5.2% 应变的原子应变云图：均匀晶粒（b）晶界应力分布均匀，不规则晶粒（c）局部应力集中； （d-e）7.5% 应变的取向图：均匀晶粒的孪生区域（红色）占比 37.5%，不规则晶粒仅 21.4%； （f-g）9% 应变的取向图：均匀晶粒因孪生导致晶粒细化更明显，结构完整性被破坏。 

解读：揭示晶粒形状的 “双刃剑” 效应 —— 均匀性提升弹性但牺牲塑性，

为实际工程提供 “定制化设计” 指南：比如航空结构件（需高弹性）选均匀晶粒，汽车构件（需强塑性平衡）选适度不规则晶粒。