npj computational materials：利用機器學習評估以及拓展高熵合金相設計準則

引言

高熵合金一般是指由五種或五種以上元素以近等原子比形成的一類合金，近年來因其優良的性能受到廣泛關注與研究。人們設計、表征了大量的高熵合金。然而由于其組分的復雜性，在設計新的高熵合金，人們無法像設計傳統合金一樣參照合金相圖。因此，人們一直致力于總結各種參量、經驗公式和準則來歸納已有高熵合金相分布的規律。但是，如何通過改變元素組成，準確地設計高熵合金相仍然是擺在材料研究人員面前不可回避的問題。

成果簡介

近日，香港城市大學楊勇教授課題組應用機器學習算法分析高熵合金系統中最常見的三種相（固溶體，金屬間化合物及非晶相），建立高精度可預測的模型。為了直觀了解化學元素對相形成的作用，楊勇課題組根據神經網絡的數學模型提取出參量靈敏度，并據此評估并拓展了相設計準則來指導設計未來的高熵合金。

首先，研究人員從熱力學和統計學的角度出發，選取十三種參數作為機器學習輸入特征量，以是否存在固溶體、金屬間化合物或非晶相作為二分類標簽，采用了人工神經網絡（圖1）、卷積神經網絡（圖2）和支持向量機等多種模型進行分類訓練，得到的模型預測準確度介于95.6%至98.9%之間。在得到高預測精度模型的基礎上，重復訓練人工神經網絡三十次并得到統計學可靠的參量靈敏度量圖表（圖3）。此度量圖表非常直觀地體現了在模型中各個特征量扮演著何種角色。據此，人們一方面可以評估、驗證已有的設計準則，另一方面也拓展出新的值得重視的熱力學參量，這些參量一起作用使得預測模型達到高精度。研究人員可以通過調整這些參量，來完成新高熵合金的設計。

為了驗證上述模型是否能夠準確地指導設計新的高熵合金，研究人員對鐵鉻鎳-鋯銅合金系統進行了制備與表征。通過調節改變鐵鉻鎳與鋯銅的比例從富鐵鉻鎳到富鋯銅，模型預測合金相將產生由固溶體，固溶體+金屬間化合物，金屬間化合物+非晶相，到非晶相的轉變。通過銅模鑄造，甩帶和鍍膜等制備方式，運用X射線衍射觀察合金相，驗證了模型的預測能力（圖4，圖5）。

圖文導讀

圖1.人工神經網絡機器學習模型簡圖

圖2. 卷積神經網絡機器學習模型簡圖

圖3. 基于人工神經網絡的參量靈敏度量圖表

(a)非晶相靈敏度量圖表

(b)金屬間化合物靈敏度量圖表

(c)固溶體靈敏度量圖表

圖4. 電弧熔煉銅模鑄造鐵鉻鎳鋯銅系統合金的表征

(a)X射線衍射標定圖

(b)掃描電鏡能譜成分分析圖

(c)機器學習模型預測結果與實際實驗結果對比圖，其中顏色表示模型預測結果，符號表示實際實驗結果

圖5. 鐵鉻鎳鋯銅系統條帶和薄膜結構表征

(a)合金條帶X射線衍射結果標定圖

(b)合金薄膜掃描電鏡能譜成分分析圖

(c)合金薄膜X射線衍射結果標定圖

總結

該項工作基于三種機器學習算法訓練得到的高精度結果，提出了靈敏度量的概念，對已有的相設計準則進行了定量評估，對新設計的參量的作用進行了探索，探討了新參量的熱力學意義，并證明了機器學習方法在解決材料問題方面強大的能力。

研究成果發表于npj computational materials, 第一作者為周子清，通訊作者為楊勇教授，這項工作得到了香港特別行政區一般研究項目CityU11213118和CityU11209317的支持

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

本文由香港城市大學供稿。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱：tougao@cailiaoren.com

投稿以及內容合作可加編輯微信：cailiaorenvip