10月7日消息，日本制铁与富士通研究所团队在npj Computational Materials发表研究，通过机器学习原子间势（MLIP）驱动的原子模拟证明，痕量碳（trace carbon）可提高α-铁中一般高角度晶界的抗裂纹扩展能力，并识别出一种裂尖动态键重构（DBR, Dynamic Bond Reconfiguration）过程作为机制，与此前低温实验中痕量碳抑制沿晶断裂、促进解理断裂的观测相一致。

钢铁强化设计中，晶界偏聚元素对断裂路径的影响是百年命题：硼、碳等间隙原子在晶界的偏聚既可能强化也可能脆化晶界，但原子级机制长期缺乏直接证据。该研究用机器学习势函数在保持量子力学精度的同时将模拟尺度扩大到可包含裂尖与晶界的体系，捕捉到碳原子在裂尖应力集中处重构金属键、钝化裂纹的过程。

对产业的意义在于：高强钢（如汽车板、管线钢）的成分设计可借助此类原子级洞察，在碳含量与热机械控制工艺（TMCP）上做更精细的权衡，以极低合金成本换取韧性提升。需注意该论文为已被接收但未经最终编辑的版本。 （来源：AZoM）