北科大謝建新院士團隊《Acta》機器學習篩選高強高導金屬材料

導讀：優化材料的強度和韌性或介電常數和擊穿強度這兩個相互矛盾的特性一直是一個挑戰。本文提出一種機器學習方法，通過對現有數據集的相關性篩選、遞歸消除和窮舉篩選來識別一組關鍵特徵，從而顯著提高合金的綜合極限抗拉強度(UTS)和電導率(EC)。證明了固溶強化導電銅合金的主要特徵是絕對電負性、核心電子距離和原子半徑，在此基礎上發現了一系列可以顯著改善UTS和EC結合的新型合金元素。然後通過實驗製備四種新的Cu-In合金來驗證了這些預測，這些Cu-In合金有可能替代目前用於鐵路線路的更昂貴的Cu-Ag合金。而且相同的一套關鍵特性可以普遍適用於設計範圍廣泛的導電合金。

固溶強化導電銅合金（SSCA）是一類工程用合金，由於其優異的力學和導電性能而被廣泛用於電氣鐵路接觸線和其他領域。然而通過合金化元素來進一步改善其機械強度和電導率的組合是具有挑戰性的。例如，具有較高極限抗拉強度的SSCA往往具有較低的電導率，反之亦然。

機器學習已越來越多地用於指導材料的設計。以前，作者採用數據驅動的方法來建立面向性能的合金成分設計系統MLDS，從而實現了高性能銅合金的逆成分設計。類似的機器學習的方法已被應用到壓電材料、無機超導材料 、不鏽鋼和高熵合金的組成設計，以及對結構和性能預測諸如擴散、晶格錯配 、玻璃形成能力、塞貝克係數、原子力領域、彈性常數、強度和疲勞等

許多現有的機器學習工作都將特定元素的數量用作輸入或輸出，以建立用於預測和設計結構和特性的組成-屬性回歸模型。也有一些嘗試使用合金元素的物理和化學特徵作為輸入，以改善模型預測。如果我們可以將元素的一組物理和化學特徵確定為決定合金的微觀結構和性能的關鍵因素，則可以使用它們來篩選和設計具有所需性能或顯著改善的性能的合金。

基於此，北京科技大學謝建新院士團隊使用機器學習方法來篩選合金元素，而不是使用不同的合金元素進行反覆試驗，以顯著增強其強度和導電性的組合。相關研究結果以題為「Dramatically Enhanced Combination of Ultimate Tensile Strength and Electric Conductivity of Alloys via Machine Learning Screening」發表在金屬頂刊Acta Materialia上。

論文連結：

https://www.sciencedirect.com/science/article/pii/S135964542030762X

這項工作通過基於機器學習確定的一組關鍵元素特徵，對元素進行成分篩選和合理設計了合金。通過製備具有篩選的合金成分的合金並通過實驗測量其性能來驗證這種方法。

圖1. 基於元素特徵篩選的合金成分合理設計策略

通過製備四種In含量小於0.7 wt％的新型銅合金，這一預測在實驗上得到了驗證。這些合金在退火狀態下的極限拉伸強度和電導率在262 MPa至298 MPa和68.5％IACS至90.4％IACS的範圍內，可與目前用於電氣化鐵路接點電線的中強度高導電性Cu-0.28Ag合金相媲美。所確定的與銅合金的極限抗拉強度和電導率有關的三個關鍵元素特徵，有望普遍適用於確定合金元素，以改善其他固溶體強化導電合金的性能。

圖2.合金因素篩選和建模的結果

圖3.（a）和（b）顯示了基於UTS和EC預測模型的合金性能與關鍵合金因子M-E4，V-E4，V-S6和V-S10之間的關係；（c）和（d）描繪了固溶體元素的關鍵元素特徵；（e）和（f）繪製了Cu-0.5wt％Me二元合金（Me = In，Ga，Al，Ti，...）的預測性能。

圖4.圖4 SSCA的屬性比較。

圖5.鋁合金性能預測模型的直接建模誤差和十倍交叉驗證（十倍CV）誤差。（a）UTS模型，（b）EC模型

綜上所述，本文建立了一種用於篩選合金元素以改善固溶強化導電合金性能的機器學習方法。它將元素的絕對電負性確定為與合金的極限拉伸強度相關的關鍵特徵，並將元素的核心電子距離和原子半徑確定為與合金的電導率相關的兩個關鍵特徵。 基於關鍵特徵並通過在元素周期表中搜索可能的固溶元素，可以預測到一種新的合金元素In可以顯著提高固溶強化導電合金的極限拉伸強度和電導率。