高熵+机器学习，今日重磅Science！

高熵合金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，发现那些具有有价值性质的材料往往依赖于偶然发现，其主要源于热力学合金设计规则本身在高维组成空间中很难实现。

德国马克斯普朗克钢铁研究所 Dierk Raabe教授提出了一种主动学习策略，以加速基于非常稀疏数据的高熵合金在实际无限的组成空间的设计。具体来说，作者采用闭环策略，将机器学习与密度泛函理论、热力学计算和实验相结合，在对数百万种可能成分中的17种新合金进行加工和表征后，我们鉴定出两种高熵因瓦合金，在300开尔文条件下，热膨胀系数极低，约为2×10^-6K^-1。作者认为，这是快速和自动发现是具有最佳热性、磁性和电学性能的高熵合金的合适途径。

2022年10月7日Science在线发表了德国马克斯普朗克钢铁研究所 Dierk Raabe教授在机器学习领域的最新成果“Machine learning-enabled high-entropy alloy discovery”。其中，德国马克斯普朗克钢铁研究所Ye Wei为共同通讯作者。

同时，中国科学院金属研究所杨锐研究员和胡青苗研究员同期在Science上发文指出：材料设计的直接成分-性能预测对于材料科学家来说仍然是一个挑战。随着实验数据集的积累，人工神经网络优化模型的发展，以及对成分加工微观结构和性能之间关系的物理基础的更好理解，一个通用的虚拟实验室可能在某一天成为现实。

合金设计是指以知识为导向的高性能材料开发方法，到目前为止，已有几千种金属合金被开发出来用于工程应用。第一批发展起来的基本合金群，如青铜和钢，都是基于形成材料基体的一种主要元素。随着时间的推移，具有较高数量合金元素和较大分数的合金，如奥氏体不锈钢，已经被开发出来。如今，随着高熵合金（HEAs）的发展，只考虑元素周期表中使用最多的元素，这至少具有1050种合金变体的组成空间，这个空间如此之大，传统的合金设计方法无法涉及，且传统DFT计算成本高，不能轻易应用于更高的温度和无序合金。同样，组合实验是非常劳动密集型的，而且只覆盖HEAs有限的成分空间。

由于这些方法在寻找具有良好功能和机械特性的材料方面的局限性，本文提出了一种不同于之前的策略来加速HEAs的发现。作者基于机器学习（ML）技术，尤其是概率模型和人工神经网络。受限于可用成分-性能数据的数量，传统的ML方法在合金设计中不得不主要依赖于模拟数据，最近主动学习已成为发现功能材料的另一种选择，其下一组实验由基于迄今为止看到的结果训练的前一个模型指导，产生将再次用于迭代更新模型的数据点。然而，指导材料实验发现的主动学习方法依赖于简单的代理模型和贝叶斯优化方法，这些方法仅限于低维数据，因此只有经过多次迭代才能显示出性能改进。

为了克服这些障碍，本文提出了一种用于HEAs成分发现的主动学习框架，该框架对于非常稀疏的实验数据集是有效的。该方法包括基于ML的技术、DFT、平均场热力学计算和实验。作者专注于设计具有低热膨胀系数（TEC）的高熵因瓦合金，其原因如下:

（i）对不同类型的因瓦合金的高需求，以用于液氢、氨和天然气的运输新兴市场；

（ii）原始Fe_63.5Ni_36.5合金的力学性能还有改进的空间；

（iii）替代因瓦合金（例如金属间质、非晶态或反铁磁性因瓦化合物）具有极高的合金成本和/或较差的延展性；

（iv）尽管少数HEAs有能力填补这一空白(18-20)，但文献报道的HEAs的最低TEC超过了原始Fe_63.5Ni_36.5合金的值；

（v）本文的主动学习框架主要考虑成分信息而不是合金制造过程，这使得因瓦合金成为理想的目标，其主要由成分决定，较少由加工决定。

图1. 方法概述。结合ML模型、DFT计算、热力学模拟和实验反馈，开发了一个主动学习框架，用于HEAs设计和HEAs的发现

图2. HEA-GAD的第一次和最后一次（第六次）迭代

图3. 物理信息描述符的重要性

图4. 在主动学习循环中进行六次迭代后的结果分析

图5. 由ML设计的HEAs的特性总结

Ziyuan Rao, Po-Yen Tung, Ruiwen Xie, Ye Wei*, Hongbin Zhang, Alberto Ferrari, T.P.C. Klaver, Fritz Körmann, Prithiv Thoudden Sukumar, Alisson Kwiatkowski da Silva, Yao Chen, Zhiming Li, Dirk Ponge, Jörg Neugebauer, Oliver Gutfleisch, Stefan Bauer, Dierk Raabe*, Machine learning-enabled high-entropy alloy discovery, Science, https://www.science.org/doi/10.1126/science.abo4940

原创文章，作者：华算老司机，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2022/10/07/d31acc0f18/

高熵+机器学习，今日重磅Science！

相关推荐