机器学习辅助高熵合金设计的全面指南：数据、模型与应用
作者及发表信息
本文由Y. M. Zhao、J. Y. Zhang（香港城市大学材料科学与工程系）、P. K. Liaw（田纳西大学材料科学与工程系）和T. Yang（香港城市大学及深圳研究院先进结构材料中心）合作完成，发表于期刊*High Entropy Alloys & Materials*（2025年5月22日在线发表）。
主题与背景
高熵合金（High-Entropy Alloys, HEAs）因其独特的多主元设计和优异的力学、耐腐蚀、抗辐照等性能，成为材料科学的研究热点。然而，其巨大的成分空间和复杂的性能关系使传统实验设计方法效率低下。机器学习（Machine Learning, ML）凭借强大的数据处理和预测能力，成为加速HEA研发的关键工具。本文系统综述了ML在HEA设计中的应用，涵盖数据构建、模型选择、性能预测及未来挑战，旨在为研究者提供全面的ML方法学指导。
核心内容
高质量数据集构建
- 数据来源：
- 计算数据：密度泛函理论（DFT）计算弹性常数和相稳定性；分子动力学（MD）模拟变形机制；CALPHAD方法预测相图。
- 实验与文献数据：通过文本挖掘（Text-Mining, TM）技术从文献中提取元素共现规律，例如Pei等通过词嵌入模型（Skip-gram）从260万种合金中筛选出500种潜在HEA候选材料。
- 数据增强：生成对抗网络（GAN）和变分自编码器（VAE）生成虚拟合金成分，解决数据稀缺问题。
- 数据质量挑战：小样本数据易导致过拟合，需通过特征工程（如递归特征消除）和交叉验证优化模型鲁棒性。
特征工程与描述符创新
- 传统描述符：基于Hume-Rothery规则，包括混合熵（ΔSmix）、原子尺寸差（δ）、电负性差（Δχ）等。
- 新型描述符：
- VASe描述符：结合Voronoi分析和香农熵（Shannon Entropy），量化局部原子排列的短程有序（Short-Range Order, SRO），显著提升FeCoNiAlTiCu体系形成能预测精度。
- SISSO算法：通过算术运算组合传统描述符，生成高解释性新特征，使BCC/FCC相分类准确率达95%。
机器学习模型与应用
- 监督学习：
- 支持向量机（SVM）：在相分类（如非晶/固溶体）中准确率超90%，但核函数选择敏感。
- 随机森林（RF）与梯度提升树（XGBoost/LightGBM）：RF预测MoNbTaTiW系HEA高温屈服强度（准确率95%）；XGBoost通过SHAP值解析特征贡献，指导AlCrCuFeNi系硬度优化。
- 无监督学习：主成分分析（PCA）和t-SNE用于降维和成分聚类。
- 主动学习与逆向设计：通过贝叶斯优化缩小实验范围，加速发现Co14.86Fe14.49Ni15.18Al17.31Cr16.22Mo21.52Ti0.41高硬度（941 HV）HEA。
复杂性能预测案例
- 耐腐蚀与抗氧化性：Zeng等结合第一性原理数据和ML分类器，确定AlCrFeCoNi系的耐腐蚀成分区间。
- 力学性能：Huang等基于塑性理论和原子属性开发描述符，预测BCC-HEA延展性（准确率85%）。
创新点与价值
1. 方法论创新：首次系统整合文本挖掘、生成模型和解释性ML（如SHAP）于HEA设计全流程。
2. 跨学科应用：将自然语言处理（NLP）的Skip-gram模型迁移至元素相似性分析，拓展数据来源。
3. 实用价值：ML模型缩短HEA研发周期，如Chen等通过VAE发现未报道的共晶高熵合金（Eutectic-HEAs）。
挑战与展望
- 数据瓶颈：需建立标准化HEA数据库，解决实验与计算数据异构性问题。
- 模型可解释性：需发展物理嵌入的ML模型，揭示成分-性能的因果机制。
- 多尺度建模：未来需耦合ML与多尺度模拟（如相场法），实现从原子到宏观的性能预测。
本文为HEA研究者提供了从数据到应用的ML完整框架，推动了材料设计向数据驱动范式的转型。