机器学习再登顶刊，助力开发高熵合金！

【研究背景】

合金设计是指以知识为导向的高性能材料开发方法。迄今为止，已经开发了数千种金属合金，用于工程应用。高熵合金（HEAs）是具有多种主要元素的固溶体，能够达到稀释材料无法达到的成分和性能体系。然而，具有有价值性质的HEAs往往依赖于偶然发现，在复杂的成分空间中寻找这些类型的合金极具挑战性。

【成果简介】

2022年10月6日，德国马普钢铁研究所韦业博士与Dierk Raabe教授（共同通讯）联合提出了一种主动学习策略，以基于非常稀少的数据，在几乎无限的成分空间中加速高熵因瓦合金的设计。该研究方法是一个闭环，将机器学习与密度泛函理论、热力学计算和实验相结合。研究人员首先使用了699种合金的公开数据训练了学习算法，然后让算法生成大量具有低热系数的候选成分，在加工和表征了17种可能的新合金后，研究人员确定了两种热膨胀系数极低的高熵因瓦合金（在300 K下为约为2×10^-6 K^-1）。该方法是一种快速、自动发现具有最佳热、磁和电性能的高熵合金的合适途径。该论文以题为“Machine learning–enabled high-entropy alloy discovery”发表在知名期刊Science上。此前，机器学习也曾多次登上Nature，Science等顶刊，在材料学、医学等领域大放异彩。

【图文导读】

图一、方法概述

图二、HEA-GAD的第一次和最后一次（第六次）迭代

图三、物理学描述符的重要性

图四、在主动学习循环中进行六次迭代后的结果分析

图五、基于ML设计HEAs的性能概述

【结论展望】

了解成分-性能关系背后的物理基础是合金设计的关键任务，对于成分复杂的材料来说，这是一项特别具有挑战性的任务。原则上，具有有趣特性的HEAs可以隐藏在实际上无限大且尚未开发的成分空间中，这是一种将目标合金设计置于最难测试的情况。因此，研究人员开发了一个广泛适用的主动学习框架，该框架结合了生成模型、回归集成、物理驱动学习和HEAs合成设计实验。研究方法证明了它在使用非常稀疏的实验数据设计高熵因瓦合金方面的能力。与传统的合金设计方法相比，整个工作流程只需要几个月，而合金设计方法需要多年和更多的实验。期望未来此方法可以在高熵合金设计中同时优化多个性能，并能够应用到其它结构和功能材料的设计和优化中。

文献链接：Machine learning–enabled high-entropy alloy discovery ( Science 2022, 378, 78-85)