npj computational materials：利用机器学习评估以及拓展高熵合金相设计准则

引言

高熵合金一般是指由五种或五种以上元素以近等原子比形成的一类合金，近年来因其优良的性能受到广泛关注与研究。人们设计、表征了大量的高熵合金。然而由于其组分的复杂性，在设计新的高熵合金，人们无法像设计传统合金一样参照合金相图。因此，人们一直致力于总结各种参量、经验公式和准则来归纳已有高熵合金相分布的规律。但是，如何通过改变元素组成，准确地设计高熵合金相仍然是摆在材料研究人员面前不可回避的问题。

成果简介

近日，香港城市大学杨勇教授课题组应用机器学习算法分析高熵合金系统中最常见的三种相（固溶体，金属间化合物及非晶相），建立高精度可预测的模型。为了直观了解化学元素对相形成的作用，杨勇课题组根据神经网络的数学模型提取出参量灵敏度，并据此评估并拓展了相设计准则来指导设计未来的高熵合金。

首先，研究人员从热力学和统计学的角度出发，选取十三种参数作为机器学习输入特征量，以是否存在固溶体、金属间化合物或非晶相作为二分类标签，采用了人工神经网络（图1）、卷积神经网络（图2）和支持向量机等多种模型进行分类训练，得到的模型预测准确度介于95.6%至98.9%之间。在得到高预测精度模型的基础上，重复训练人工神经网络三十次并得到统计学可靠的参量灵敏度量图表（图3）。此度量图表非常直观地体现了在模型中各个特征量扮演着何种角色。据此，人们一方面可以评估、验证已有的设计准则，另一方面也拓展出新的值得重视的热力学参量，这些参量一起作用使得预测模型达到高精度。研究人员可以通过调整这些参量，来完成新高熵合金的设计。

为了验证上述模型是否能够准确地指导设计新的高熵合金，研究人员对铁铬镍-锆铜合金系统进行了制备与表征。通过调节改变铁铬镍与锆铜的比例从富铁铬镍到富锆铜，模型预测合金相将产生由固溶体，固溶体+金属间化合物，金属间化合物+非晶相，到非晶相的转变。通过铜模铸造，甩带和镀膜等制备方式，运用X射线衍射观察合金相，验证了模型的预测能力（图4，图5）。

图文导读

图1.人工神经网络机器学习模型简图

图2. 卷积神经网络机器学习模型简图

图3. 基于人工神经网络的参量灵敏度量图表

(a)非晶相灵敏度量图表

(b)金属间化合物灵敏度量图表

(c)固溶体灵敏度量图表

图4. 电弧熔炼铜模铸造铁铬镍锆铜系统合金的表征

(a)X射线衍射标定图

(b)扫描电镜能谱成分分析图

(c)机器学习模型预测结果与实际实验结果对比图，其中颜色表示模型预测结果，符号表示实际实验结果

图5. 铁铬镍锆铜系统条带和薄膜结构表征

(a)合金条带X射线衍射结果标定图

(b)合金薄膜扫描电镜能谱成分分析图

(c)合金薄膜X射线衍射结果标定图

总结

该项工作基于三种机器学习算法训练得到的高精度结果，提出了灵敏度量的概念，对已有的相设计准则进行了定量评估，对新设计的参量的作用进行了探索，探讨了新参量的热力学意义，并证明了机器学习方法在解决材料问题方面强大的能力。

研究成果发表于npj computational materials, 第一作者为周子清，通讯作者为杨勇教授，这项工作得到了香港特别行政区一般研究项目CityU11213118和CityU11209317的支持

论文地址：https://www.nature.com/articles/s41524-019-0265-1

本文由香港城市大学供稿。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱：tougao@cailiaoren.com

投稿以及内容合作可加编辑微信：cailiaorenvip