機器學習再登頂刊，助力開發高熵合金！

【研究背景】

合金設計是指以知識為導向的高性能材料開發方法。迄今為止，已經開發了數千種金屬合金，用于工程應用。高熵合金（HEAs）是具有多種主要元素的固溶體，能夠達到稀釋材料無法達到的成分和性能體系。然而，具有有價值性質的HEAs往往依賴于偶然發現，在復雜的成分空間中尋找這些類型的合金極具挑戰性。

【成果簡介】

2022年10月6日，德國馬普鋼鐵研究所韋業博士與Dierk Raabe教授（共同通訊）聯合提出了一種主動學習策略，以基于非常稀少的數據，在幾乎無限的成分空間中加速高熵因瓦合金的設計。該研究方法是一個閉環，將機器學習與密度泛函理論、熱力學計算和實驗相結合。研究人員首先使用了699種合金的公開數據訓練了學習算法，然后讓算法生成大量具有低熱系數的候選成分，在加工和表征了17種可能的新合金后，研究人員確定了兩種熱膨脹系數極低的高熵因瓦合金（在300 K下為約為2×10^-6 K^-1）。該方法是一種快速、自動發現具有最佳熱、磁和電性能的高熵合金的合適途徑。該論文以題為“Machine learning–enabled high-entropy alloy discovery”發表在知名期刊Science上。此前，機器學習也曾多次登上Nature，Science等頂刊，在材料學、醫學等領域大放異彩。

【圖文導讀】

圖一、方法概述

圖二、HEA-GAD的第一次和最后一次（第六次）迭代

圖三、物理學描述符的重要性

圖四、在主動學習循環中進行六次迭代后的結果分析

圖五、基于ML設計HEAs的性能概述

【結論展望】

了解成分-性能關系背后的物理基礎是合金設計的關鍵任務，對于成分復雜的材料來說，這是一項特別具有挑戰性的任務。原則上，具有有趣特性的HEAs可以隱藏在實際上無限大且尚未開發的成分空間中，這是一種將目標合金設計置于最難測試的情況。因此，研究人員開發了一個廣泛適用的主動學習框架，該框架結合了生成模型、回歸集成、物理驅動學習和HEAs合成設計實驗。研究方法證明了它在使用非常稀疏的實驗數據設計高熵因瓦合金方面的能力。與傳統的合金設計方法相比，整個工作流程只需要幾個月，而合金設計方法需要多年和更多的實驗。期望未來此方法可以在高熵合金設計中同時優化多個性能，并能夠應用到其它結構和功能材料的設計和優化中。

文獻鏈接：Machine learning–enabled high-entropy alloy discovery ( Science 2022, 378, 78-85)