【研究亮点】高熵合金是多种元素的固溶体，能够达到单一元素无法达到的成分和性能状态。然而，发现那些有价值的特性往往出于偶然性，因为单一的热力学合金设计规则往往不适用于高维成分。本文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合金的设计。在对数百万种可能的成分中的17种新合金进行表征后，作者确定了两种在300K时具有极低热膨胀系数的高熵合金。这将是快速并且自动发现具有最佳热、磁和电性能的高熵合金的合适途径。 【主要内容】合金设计是指以知识为导向的高性能材料开发方法，并且是开发能够推动技术进步的不同材料的基础。目前，高熵合金（HEA）在实际应用中受到广泛关注，包括催化、能源存储和生物/等离子体成像。将多种金属元素合金到单个产物中提供了可能超过单元素的材料特性。仅考虑元素周期表中最常用的元素来设计HEA，这就跨越了至少1050种合金变体的组成空间，这个空间过大以至于无法通过传统的合金设计方法进行设计。这些用于设计合金的传统方法已应用于HEA成分领域的小子空间，包括相图计算 (CALPHAD) 和密度泛函理论 (DFT) 。然而，CALPHAD仅提供平衡相图，并且 DFT 计算成本高，不能轻易用于更高温度和无序合金的设计。 由于在寻找有前景的HEA方面存在这些方法学限制，德国马克斯普朗克钢铁研究所Dierk Raabe教授，韦业博士等人提出了一种基于使用机器学习 (ML) 技术，重点是概率模型和人工神经网络的方法来加速HEA的发现。本文主要专注于设计具有低热膨胀系数的高熵因瓦合金，并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 HEA 组合设计的实验。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，再通过包括原子特征和热力学数据库的有关物理特性的算法筛选出17种高熵因瓦合金，并最终确定了两种在300K时具有极低热膨胀系数的高熵合金。本文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。整个工作流程只需要几个月的时间，而传统的合金设计方法则需要数年和更多的实验。作者预计这种基于机器学习的方法未来可在HEA组成库中同时优化筛选多种性质。Figure 1 Approach overview.Figure 2 First and last (sixth) iterations of the HEA-GAD generation.Figure 3Importance of the physics-informed descriptors.Figure 4 Analysis of the results after six iterations in the active learning loop.Figure 5Summary of the properties of the ML-designed HEAs. 【总结与展望】了解成分-性能关系背后的基本物理特性是合金设计的关键任务，对于成分复杂的材料而言，这项任务尤其具有挑战性。原则上，具有有趣特征的高熵合金可以隐藏在几乎无限且未经探索的成分空间中，这种情况使合金设计面临最艰难的考验。因此，来自马普所的科学家们联合多个研究团队共同开发了具有普适性的主动学习框架，通过结合生成模型、回归集成、物理驱动的学习和实验，展示了该框架在高熵因瓦合金的组合设计方向的应用，并基于非常少的实验数据证明了其在设计高熵合金方面的能力。整个工作流程只需要几个月的时间，而传统的合金设计方法可能需要数年和更多的实验。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。 【文献信息】Ziyuan Rao, et al. Machine learning-enabled high-entropy alloy discovery. Science. 378, 78-85 (2022).https://www.science.org/doi/10.1126/science.abo4940
