海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
自共晶合金被发现以来，其优异的机械性能和出色的流动性使其成为在学术研究和工业应用领域均具有重要价值和潜力的一类合金。随着成分复杂合金（例如高熵合金）的发展，具有复杂成分的共晶合金逐渐进入人们的视野，并成为研究热点。然而，面对组元数量增多所带来的复杂成分空间，传统的基于二元或三元合金相图寻找共晶成分的方法已经不适用于多主元合金体系，同时这些通过不断试错来确定共晶成分的方法会显著提高在寻找复杂共晶合金时的成本。
图1 使用生成式机器学习设计共晶成分复杂合金的框架流程图
目前复杂共晶合金的设计主要通过使用一些基于热力学参数所归纳总结得到的经验公式，但这些经验公式的应用通常受限于合金体系而无法得到广泛应用，同时，使用经验公式往往一次只能找到一个或几个离散的成分，无法实现对整个成分空间的搜索。
图2 基于主成分分析和K均值聚类算法的数据预处理过程及结果
来自香港城市大学机械工程系的杨勇教授团队通过结合条件变分自编码器和人工神经网络，开发了一个可实现自动生成具有复杂成分的共晶合金的机器学习框架。使用此机器学习框架，人们可以基于已报道的合金成分，对整个成分空间中得到共晶的概率进行评估，并直接得到由模型生成的共晶合金成分，从而实现复杂共晶合金的快速发现。在这个过程中，作者提出了一种基于主成分分析（PCA）和K均值聚类算法的数据预处理方法，成功解决了在使用数据驱动进行共晶合金设计时常常遇到的数据不平衡问题。
图3 机器学习框架生成的共晶成分复杂合金的实验结果
Alloy 1: Al16.3Co14.2Cr22.5Fe12.6Ni34.4; Alloy 2: Al16Co20Cr24Fe4Ni36; Alloy 3: Al24Co4Cr36Fe4Ni32
应用此机器学习框架，作者成功在不同合金体系中发现了从四元至六元的共晶合金，这些结果表明此机器学习框架的开发极大地加快了共晶合金的发现和设计。该文近期发表于npj Computational Materials 10: 204 (2024)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Accelerated discovery of eutectic compositionally complex alloys by generative machine learning
Z.Q. Chen, Y.H. Shang, X.D. Liu, Y. Yang*
Eutectic alloys have garnered significant attention due to their promising mechanical and physical properties, as well as their technological relevance. However, the discovery of eutectic compositionally complex alloys (ECCAs) (e.g. high entropy eutectic alloys) remains a formidable challenge in the vast and intricate compositional space, primarily due to the absence of readily available phase diagrams. To address this issue, we have developed an explainable machine learning (ML) framework that integrates conditional variational autoencoder (CVAE) and artificial neutral network (ANN) models, enabling direct generation of ECCAs. To overcome the prevalent problem of data imbalance encountered in data-driven ECCA design, we have incorporated thermodynamics-derived data descriptors and employed K-means clustering methods for effective data pre-processing. Leveraging our ML framework, we have successfully discovered dual- or even tri-phased ECCAs, spanning from quaternary to senary alloy systems, which have not been previously reported in the literature. These findings hold great promise and indicate that our ML framework can play a pivotal role in accelerating the discovery of technologically significant ECCAs.
扩展阅读
