非晶合金的研制强烈依赖组成元素和合金成分。由于合金材料以金属键作用为主导，形成三维空间密堆结构具有较强的驱动力。这些特性给予金属材料有限的玻璃形成能力，即较高的临界冷却速率，所以通常非晶合金具备有限的样品尺寸。多组元往往是设计和开发高性能非晶合金的必要条件。然而，多组元特性会极大增加材料样本空间，给材料优化设计带来了巨大的挑战，增加材料开发各项成本。如何高效开发新型非晶合金是目前该领域的关键科学与技术难题。

当前人工智能技术的发展给材料开发提供了新的机遇和动力。数据驱动的材料研制是热门研究方向，即如何从已积累的数据中挖掘出隐藏的材料设计线索。截止到目前，监督式机器学习方法在世界范围内被广泛应用，其基本原理是构建实验数据数字化特征与目标性能在高维空间中的映射关系。材料的特征构建主要是通过综合组成元素和合金的物理化学等性能参数。如何利用深度神经网络技术处理材料小数据问题是下一个研究重点。

近日，松山湖材料实验室数据驱动材料科学研究团队张世允博士、刘松灵博士等在胡远超研究员和汪卫华院士等的指导下，对过去60年来实验开发的非晶合金数据进行了整理、收集和清洗。与传统图表式（tabular representation）研究模式不同的是，他们构建了针对二元和三元非晶合金的材料网络（materials networks，如图1）。通过对这些材料网络的深入挖掘，发现这些网络的拓扑结构涵盖了许多隐藏的材料关联信息，无法被传统的研究方法识别。针对三元非晶合金的网络结构，其全连接子图（clique）可提供多组元合金材料的设计思路。同时，通过构建动态材料网络，分析了过去几十年来非晶合金开发的动态演化信息，从材料开发历史中搜寻材料研制规律（图2）。该结果表明，在科学知识和经验积累的基础上开发非晶合金容易陷入“innovation trap”：后续开发的非晶合金材料早已被嵌入到材料网络中。该发现也说明材料网络的拓扑结构分析可以有效指导实验设计。不同尺度的材料网络之间子结构单元可以相互预测，例如，二元非晶合金的材料网络中的三角形可以有效预测三元非晶合金。该方案可以极大降低材料空间复杂度，为复杂合金体系的开发提供新的思路。

另外，这些材料网络都遵循“异常无标度性“（abnormal scale-free）的特性，与”互联网“等网络结构有所差异（图3）。根源在于，材料网络结构需要经受一定的”物理约束“（physical constraints），即其节点个数存在上限，导致子结构（link or triangle）数目增长速度远超节点个数增长速度。该现象在日常生活中较为普遍，例如航线网络（flight network）、邮箱网络（email network）等。这些研究表明材料网络与其他网络具有很多相似性，未来有望促进交叉学科发展和激发创新科学思维。