用于发现高熵合金的新型机器学习法

据一项新的研究报告，研究人员用一种新的知悉物理的机器学习方法发现了两种热膨胀度极低的新型高熵合金。这种方法或可代表一种发现和设计新材料的强有力的工具。为了推动新技术的快速发展，研究和工程人员不断地在寻找具有特定性能的新材料，其中包括合金。传统的合金通常由某单一主要金属元素与其它较小组分是元素结合而成。最近，研究人员开始寻找具多种有相似含量主要元素的合金。这些合金也被称为高熵合金(HEAs)，它们极大地扩展了合金材料设计的空间。然而,鉴于元素组合存在极大数量的可能性,因此要发现那些具高价值属性的合金极具挑战性,而且无法通过传统的合金设计法进行操控。Ziyuan Rao和同事在此介绍了一种用于筛查这种几乎具有无限设计空间以确认因瓦合金的机器学习法；因瓦合金是一种宝贵的具极低热膨胀性的合金。尽管使用的是零散数据,Rao等证明，他们的知悉物理学的人工神经网络可以学习和预测合金中元素与其集合属性间的复杂关系。根据所使用的训练数据,某种合金的特定属性（如热膨胀系数）可以成为设定目标并得到预测。通过使用这种方法，作者从数百万种可能的候选合金中确认了17种新型的因瓦HEAs。对两种组成复杂的高熵因瓦合金进行实验测试后表明，它们的热膨胀系数极低(在200开氏度时，2x10^-6/开氏度)，这比目前已知的HEAs记录要低得多。Qing-Miao Hu 和 Rui Yang在一篇相关的《视角》中写道：“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、微观结构和性能间关系的物理基础的更好理解，一个通用型的虚拟实验室可能会在某一天成为现实。”