机器学习驱动的高熵合金相结构预测：从数据挖掘到实验验证

这篇综述系统阐述了机器学习(ML)在预测高熵合金(HEA)和中等熵合金(MEA)相结构(FCC/BCC/IM等)中的创新应用。研究通过支持向量机(SVM)、随机森林(RF)、深度神经网络(DNN)等算法，构建了准确率>95%的预测模型，并验证了价电子浓度(VEC)、混合焓(ΔHm)等关键描述符对相形成的调控机制，为新型合金设计提供了高效计算范式。

　　

Highlight

本研究通过整合机器学习算法与实验验证，建立了高熵合金相结构的高精度预测框架。研究揭示了价电子浓度(VEC)和原子尺寸差异(δ)等关键参数如何通过机器学习模型量化调控FCC/BCC相变，为加速新型合金开发提供了数据驱动的新范式。

Results and Discussion

在HEA/MEA相预测研究中，我们采用固定30%数据作为测试集以确保模型泛化性。尽管样本量有限(1193个)，通过精细调参仍使DNN和XGBoost模型达到>90%的准确率。特别值得注意的是，模型成功捕捉到VEC>8时FCC相稳定性增强，而VEC<6.87时BCC相占主导的物理规律。特征重要性分析显示，ΔH^m和δ对多相(SS+IM)形成具有决定性影响。

Experimental Validation

通过真空电弧熔炼(VAM)制备的AlCoCrFeNi等HEAs验证了预测结果。XRD和EBSD分析显示：AlCoCrFeNi呈现BCC基体+FCC第二相的预测结构，而AlCoCrCu_0.7FeNi则形成BCC/B2有序相，与模型预测高度吻合。这种计算-实验闭环验证策略显著提高了新材料研发效率。

Conclusion

1. 构建包含1,193个相观测值和25个材料描述符的专用数据集

2. 开发的多类别分类框架可有效处理实验数据异质性

3. 确定VEC和ΔS^m是影响相选择的最强特征

4. DNN和XGBoost在复杂相预测中展现卓越性能

5. 实验验证证实模型对新型HEAs设计的指导价值