机器学习导航广阔的材料空间，以发现新的高性能合金

一种主动学习算法发现了高熵的因瓦合金，这种材料广泛用于科学仪器和液化气体的工业运输，因为它们的热膨胀很小。这项技术可能具有巨大的潜力，可以搜索大量潜在的材料组成，以找到少数具有理想性能的材料。

1895年因瓦合金的发现——一种铁镍合金，其热膨胀系数在镍含量约为30-45%时突然下降——为国际度量局的查尔斯-爱德华·纪尧姆赢得了诺贝尔奖1920年诺贝尔物理学奖．然而，尽管它具有优异的热稳定性，其机械性能，如强度和延展性不太令人印象深刻。替代的“因瓦合金”通常非常昂贵或有其他缺点。

研究人员最近开始在高熵合金中寻找候选者，高熵合金是一种非传统的混合物，含有大量的多种金属，而不是单一的主要元素。材料科学家解释说:“以前人们认为，当你在合金中混合更多的元素时，你会得到很多沉淀物，这些沉淀物会让你的合金变得超脆，不能用于任何用途。探月饶德国马克斯-普朗克铁研究所Düsseldorf。”但在2004年，科学家们发现当你有一些特殊的元素组合时你可以得到一个固溶体这是一个非常令人惊讶的结果。“问题在于，可能的高熵合金的组成空间实际上是无限的，因此手工寻找能产生特定性能的最佳值的组合几乎是不可能的。

Rao和同事领导的Dierk·拉伯因此使用了一种自优化的机器学习算法。这些人工神经网络基于初始的实验数据集进行预测，将其预测与更多的实验数据进行比较，并有效地自我学习以改进预测，正在化学和其他领域得到广泛应用。然而，最初的实验数据集不足以训练该算法。因此，研究人员采用了一种“主动学习”的方法。Rao解释说:“我们不仅预测了热膨胀系数，还预测了不确定性。”“我们用不确定性非常大的合金做了实验，通过这种方法，我们可以提高模型的性能。”

从他们最初的数据集中，他们的算法选出了1000个潜在的有前途的-但高度不确定的-候选对象，用于更复杂的计算筛选，如密度泛函理论。然后，在将结果添加到初始数据集中之前，对那些看起来最有趣的结果进行强制转换。最终，研究人员发现了由铁、镍、钴和铬组成的两种高熵因瓦合金，其室温热膨胀系数与铁相当₆₅倪₃₅- Invar的最佳成分。研究人员现在正在研究这种材料的其他特性。“例如，铬经常被用于改善不锈钢的腐蚀行为，所以它可能比传统的因瓦合金有更好的腐蚀行为，”Rao说。

计算材料科学家Prasanna Balachandran美国弗吉尼亚大学的教授说，“利用不确定性来指导新材料发现的概念并不新鲜”，但“这一搜索空间的巨大范围，以及他们可以在这一空间中导航并找到具有更好性能的潜在有趣材料的事实，是一件了不起的事情”。现在，他想了解更多关于机器在后续每个步骤中学习到的内容，并指出理论预测的热膨胀系数与实验测量的不太一致。他说，我们过去也看到过类似的结果。“事实上，你不需要一个精确的模型来发现新的和意想不到的具有更好性能的材料，这是一个谜。”