[论文解读] Machine learning-enabled high-entropy alloy discovery

Ziyuan Rao, PoYen Tung+15 more|arXiv (Cornell University)|Feb 28, 2022

Machine Learning in Materials Science被引用 13

一句话总结

本研究提出了一种集成机器学习、密度泛函理论、热力学计算与实验的主动学习框架，以加速在巨大成分空间中发现高熵非晶合金。在仅分析了数百万种可能性中的17种合金后，该方法成功识别出两种新型高熵非晶合金，其在300 K时的热膨胀系数接近零，约为2×10⁻⁶ K⁻¹，展示了实现自动化材料发现的可扩展路径。

ABSTRACT

High-entropy alloys are solid solutions of multiple principal elements, capable of reaching composition and feature regimes inaccessible for dilute materials. Discovering those with valuable properties, however, relies on serendipity, as thermodynamic alloy design rules alone often fail in high-dimensional composition spaces. Here, we propose an active-learning strategy to accelerate the design of novel high-entropy Invar alloys in a practically infinite compositional space, based on very sparse data. Our approach works as a closed-loop, integrating machine learning with density-functional theory, thermodynamic calculations, and experiments. After processing and characterizing 17 new alloys (out of millions of possible compositions), we identified 2 high-entropy Invar alloys with extremely low thermal expansion coefficients around 2*10-6 K-1 at 300 K. Our study thus opens a new pathway for the fast and automated discovery of high-entropy alloys with optimal thermal, magnetic and electrical properties.

研究动机与目标

• 为克服传统热力学设计规则在高维成分空间中对高熵非晶合金的局限性。
• 实现在高熵非晶合金实际无限的成分空间中高效探索最优热学、磁学和电学性能。
• 开发一种闭环、数据高效的主动学习策略，整合模拟与实验，以加速材料发现。
• 识别出具有超低热膨胀系数、适用于先进工程应用的高熵非晶合金。

提出的方法

• 采用主动学习循环，基于不确定性和预测性能，迭代选择最具信息量的成分进行实验验证。
• 整合基于稀疏数据训练的机器学习模型，以预测合金稳定性、晶格参数和磁性。
• 使用密度泛函理论（DFT）计算候选成分的电子和结构性质。
• 进行热力学计算，以评估相稳定性和固溶体形成能力。
• 开展选定合金的实验合成与表征，以验证预测结果。
• 将新获得的实验数据反馈至机器学习模型，以在闭环反馈系统中优化未来预测。

实验结果

研究问题

• RQ1 在稀疏数据条件下，主动学习能否有效导航高熵非晶合金的高维成分空间，以识别出有前景的候选材料？
• RQ2 如何在最小实验数据条件下，有效训练并更新机器学习模型，以预测稳定的高熵非晶合金？
• RQ3 通过该闭环框架所发现的高熵非晶合金，其可实现的热膨胀系数是多少？
• RQ4 将DFT、热力学与实验相结合，能在多大程度上减少合金发现过程中所需的实验数量？

主要发现

• 成功识别出两种新型高熵非晶合金，其在300 K时的热膨胀系数约为2×10⁻⁶ K⁻¹，接近传统非晶合金的性能。
• 该主动学习策略仅通过合成与表征17种成分（占数百万种可能组合的一小部分），即实现了合金的发现。
• 闭环框架通过基于不确定性和预测性质优先选择最具信息量的成分，显著减少了所需实验数量。
• 将机器学习与DFT及热力学计算相结合，提升了预测准确性，并加速了稳定、功能性高熵非晶合金的识别。
• 该方法在探索巨大成分空间方面表现出强鲁棒性与可扩展性，为材料发现提供了可推广的通用路径。