新闻动态
·综合新闻
·科研动态
·学术活动
·媒体聚焦
·通知公告
您现在的位置:首页 > 新闻动态 > 科研动态
金属所研究人员在Science期刊发表利用机器学习进行材料筛选研究的述评文章
 
2022-10-09 | 文章来源:轻质高强材料研究部        【 】【打印】【关闭

  根据应用环境需求,定制合金材料的成分及工艺,突破“试错法”高成本、低效率的材料设计瓶颈,是材料科学家的终极梦想。近20年来,合金成分由单主元传统合金发展到多主元高熵合金,极大拓展了合金的成分空间。如何从近乎无限的成分空间中高效筛选出具有特定性能的合金成分,是材料研究者所面临的巨大挑战。近年来,机器学习在材料的成分筛选和性能优化中的应用发展迅速。中国科学院金属研究所胡青苗研究员和杨锐研究员应Science期刊邀请,发表了题为《对更好合金的无尽寻索》的述评文章,对利用机器学习进行材料筛选的研究现状进行了评论和展望。该述评文章于10月6日在线发表(Vol. 378, Issue 6615, pp. 26-27. )。 

  机器学习方法一般利用人工神经网络,对现有成分-性能数据进行训练,快速获得成分–性能关系,进而筛选出具有目标性能的成分。机器学习的效率和精度依赖于用于训练的成分–性能数据集。相对于近乎无限的成分空间,已有的成分–性能数据往往相当稀少。因此,对机器学习算法进行适当优化和策略设计尤为重要。目前,机器学习方法在因瓦高熵合金、铁电材料、压电材料等的成分筛选中都有了较为成功的应用范例。特别是德国马普学会钢铁研究所Dierk Raabe课题组在最近一期Science上发表的研究工作,结合机器学习、第一性原理及热力学计算和实验验证,高效地从百万种可能成分组合中筛选出17种Fe-Co-Cr-Ni及Fe-Co-Cr-Ni-Cu因瓦高熵合金。 

  述评文章指出,机器学习方法目前大多应用于功能材料的筛选。原因是这类材料的目标性能主要决定于材料成分,对显微组织并不敏感。然而,结构材料的力学性能如强度、韧塑性等不仅受成分影响,且具有高度的显微组织敏感性,而显微组织又决定于合金成分及制备工艺这使得结构材料力学性能的影响因素错综复杂。另一方面,实际应用中,往往同时对结构材料的多种性能有一定要求。这些因素大大增加了机器学习在结构材料设计中应用的难度。 

  文章最后总结,随着机器学习算法的发展、实验数据的积累以及对成分–工艺–组织–性能关系机理理解的深化,有望实现面向指定性能需求的定制化材料成分及工艺优化设计。 

  全文链接

 

文档附件

相关信息
联系我们 | 友情链接
地址: 沈阳市沈河区文化路72号 邮编: 110016
中国科学院金属研究所 版权所有 辽ICP备05005387号-1

官方微博

官方微信