基于物理信息机器学习的单相B2多主元金属间化合物高通量发现框架及其力学性能优化

为解决单相有序体心立方（B2）多主元金属间化合物（MPEIs）在复杂成分空间中难以高效发现的问题，本研究开发了一种融合条件变分自编码器（CVAE）与人工神经网络（ANN）的物理信息机器学习框架。该研究通过随机亚晶格模型衍生描述符，有效克服数据稀缺与不平衡问题，成功预测并实验验证了从四元到六元体系的新型B2 MPEIs，其表现出优异的力学性能与Elinvar特性，为高性能金属间化合物的设计提供了新范式。

　　

在材料科学领域，单相有序体心立方（B2）多主元金属间化合物（Multi-principal element intermetallics, MPEIs）因其独特的形状记忆效应、高强度和超弹性等性能而备受关注。然而，传统实验方法在探索高维成分空间时效率低下，而基于密度泛函理论（DFT）或CALPHAD方法的计算手段又面临计算成本高、依赖已有数据库的局限。尽管机器学习（ML）在合金设计中的应用逐渐增多，但现有研究多集中于二元或三元体系，且缺乏对B2相生成能力的主动设计与实验验证。更关键的是，数据稀缺与类别不平衡问题严重制约了模型在复杂体系中的泛化能力。

针对这些挑战，Weijiang Zhao等人在《npj Computational Materials》发表研究，提出了一种物理信息机器学习框架，整合了条件变分自编码器（CVAE）和人工神经网络（ANN），实现了从三元到六元体系中单相B2 MPEIs的高效发现与性能优化。该工作不仅显著提升了材料发现的效率，还为高熵金属间化合物的设计提供了新的理论工具和实验依据。

本研究主要采用以下关键技术方法：首先构建包含三元至六元合金体系的成分-结构数据库，通过随机亚晶格模型提取18个物理意义明确的描述符（如δ_mean、ΔH_pbs等）；利用主成分分析（PCA）和K-means聚类处理数据不平衡问题；采用人工神经网络（ANN）进行相分类预测，并利用条件变分自编码器（CVAE）生成潜在B2成分；最后通过真空电弧熔炼、X射线衍射（XRD）、扫描电子显微镜（SEM）和透射电子显微镜（TEM）对预测结果进行实验验证。

物理信息机器学习

研究团队选取含难熔元素（Ti, Zr, Hf）和3d过渡金属（Fe, Co, Ni, Cu）的合金体系，构建了包含单相B2、多相金属间化合物（MPIM）和固溶体+金属间化合物（SS+IM）的数据集。通过随机亚晶格模型衍生的描述符（如δ_mean、ΔH_pbs等）显著提升了B2相与非B2相在PCA空间中的分离度，较传统随机混合描述符更具区分能力。结合K-means聚类，数据不平衡比例从1:9优化至1:1，为模型训练奠定基础。

实验验证

在Fe-Co-Ni-Ti-Zr五元体系中，CVAE生成的三组高P_B2（>0.95）合金均通过XRD和TEM确认了单相B2结构，且热处理后枝晶偏析消除。低P_B2合金则形成多相结构，验证了模型的负向预测能力。类似结果在Co-Ni-Ti-Zr四元体系和Cu-Co-Ni-Ti-Zr-Hf六元体系中得到复现，其中Cu含量超过25 at.%时B2形成能力急剧下降。

讨论

敏感性分析表明，P_B2主要受δ_mean（亚晶格尺寸差异）和ΔH_pbs（混合焓）正相关影响，而与S_pbs（混合熵）和σ_Hmean（焓变标准差）负相关。B2相稳定性与元素浓度偏差（D_com）密切相关，D_com≈0的"线化合物"成分更易形成单相B2。力学性能测试显示，新发现的B2 MPEIs均具有Elinvar特性（300–750 K弹性模量近恒定），其中Co_19.9Ni_30.5Ti_38.7Zr_11.5合金断裂应变达11%，优于已报道材料。

该研究通过物理信息机器学习框架，成功实现了单相B2 MPEIs的高效设计与实验验证，解决了高维成分空间中数据稀缺与不平衡的难题。所提出的随机亚晶格描述符显著提升了模型的可解释性与预测精度，而CVAE生成式设计为新材料发现提供了主动探索路径。这项工作不仅推动了高熵金属间化合物的开发，也为机器学习在复杂材料体系中的应用提供了范本，对高性能结构材料的设计具有重要指导意义。