上海交大材料基因组团队在合金固溶体体积效应的建模预测方面取得重要进展

　　

近日，上海交通大学材料科学与工程学院汪洪教授领衔的材料基因组团队在国际金属材料领域顶刊《Acta Materialia》上在线发表了关于二元置换式合金固溶体（BSMSS）体积效应机器学习（ML）建模预测的最新研究成果：

“Machine-learning prediction of Vegard's law factor and volume size factor for binary substitutional metallic solid solutions”

上海交通大学博士生周元勋为论文第一作者，汪洪教授和张澜庭教授为该论文的共同通讯作者。该研究应用ML方法，建立了预测BSMSS的Vegard定律因子（VLF）和体积尺寸因子（SF）的代理通用ML模型。

BSMSS的体积效应可用VLF和SF来表征。SF参与了许多合金物理、化学和机械性能的计算，特别是在计算固溶强化效应和金属杂质的扩散方面。VLF则是计算BSMSS、金属间化合物和高熵合金晶格参数的关键参数。然而，由于合金原子间复杂的交互作用，长期以来都缺少一个严格的通用模型来准确描述合金的体积效应，从而进行精确地预测。近年来随着材料基因工程的发展，ML方法在材料科学中得到广泛应用并取得了一定成功。受此启发，本研究引入了ML方法来进行建模，并与常用的第一性原理计算进行了比较。

图一 论文发表截图

在收集了有关文献报道的BSMSS的VLF和SF数据后，首先通过特征（模型的输入）构建获得包含182个初始特征的数据集。然后根据目前常用的8种传统ML模型和符号回归（SR）算法，构建了一个如图二所示的特征/模型组合选择工作框架。通过第一条路径可选出最佳的传统ML模型，第二条路径的SR算法，可得到新的特征。研究表明，在8个常规ML模型中，基于Laplacian核的岭回归模型性能最优（图二右上角）。在第二条路径中，通过SR得到了7500个基于数据集初始特征的复合新特征，根据预测精度和特征长度，选出了一个最佳特征。相比第一条路径的最佳模型，这个新特征给出了相对简单的显示解析表达式，从而大大提高了模型的可解释性。于是我们就可对其分解成一个二维特征并作结构分布图（图二右下角）。与密度泛函计算相比，ML的预测精度占优，而且对于目前没有实验结果的体系，ML也能给出合理的结果。

图二 特征选择工作框架。选择路径一基于常见的传统ML模型，选择路径二基于SR，采用SR可得到具有物理可解释性的特征参量

合金体积效应的预测对于合金设计，例如高熵合金、固溶强化、错配度等具有重要意义，传统上关于体积效应的理论如Hume-Rothery法则、Vegard定律是基于一些实验观察的半经验模型，一直以来都难以通过严格的物理推理手段来获得准确的通用模型。本研究首次引入ML算法来开发相应通用模型，解决了金属学中经典的二元合金晶格常数预测不准、影响因素厘不清的问题，这为探索建立预测多元合金固溶体体积效应的通用模型及相关理论研究提供了重要参考和新的思路。

本研究工作得到了国家重点研发计划项目（2021YFB3702303和2017YFB0701900）和云南省稀贵金属材料基因工程重大科技专项（202002AB080001-1）的资助。

原文链接详见：https://doi.org/10.1016/j.actamat.2022.118166

作者：

周元勋

供稿单位：

材料科学与工程学院