马里兰大学李腾教授课题组《Small》背封面文章: 面向多主元素合金的机器学习-多目标优化-高通量设计方法

图1 《Small》背封面文章：面向多主元素合金的机器学习-多目标优化-高通量设计方法

近日，马里兰大学李腾教授课题组提出了一种面向多主元素合金的机器学习-多目标优化-高通量设计方法，该方法为设计具有理想性能的多主元素合金提供了高效精准的理论指导。针对目前广泛采用的分子动力学在评估合金力学性能时，需要大量的时间和计算成本的弊端。该方法提出使用机器学习中小样本学习算法，通过学习仅54个分子动力学计算样本，实现对10万个合金配方的高准确率性能预测（测试集验证证明预测误差小于2.7%）。在此基础上，结合多目标遗传算法，实现对多元素合金的综合性能优化，克服了盲目或经验指导的合金设计方法所具有的低效性。这种高效的设计方法使快速评估和设计多主元素合金性能成为可能。相关工作以“Machine Learning Accelerated, High throughput, Multi-objective Optimization of Multi-principal Element Alloys”为题，在线发表于《Small》，并被选为2021年10月的期刊背封面文章。这项研究同时入选Wiley最新“人工智能和机器学习热点主题”。

该研究通过分子动力学模拟的方法分别对54种不同配比的CoNiCrFeMn合金模型进行压缩和剪切，并得到了杨氏模量和剪切应力。通过如图2F和2G的变化规律，分析了同一类多主元素合金不同元素摩尔浓度变化对力学性能所产生的影响。同时，基于该54组分子动力学计算结果，建立数据库，进行机器学习模型的训练。

图2 CoNiCrFeMn多主元素合金的变形机理分析

目前训练机器学习模型普遍需要大量的数据样本。而在合金设计领域，包括模拟计算和实验测量的方法，都需要高昂的时间和经济成本。该研究提出采用小样本学习算法来预测多主元素合金的力学性能，实现通过较少规模的数据样本，训练机器学习模型来评估合金性能的目的，从而极大程度缩减合金评估所需的各类成本。该算法主要通过对比学习的理念（如图3A所示），通过设计对照学习组，使机器学习模型通过学习样本与对照组之间的对比特征，实现模型的预测精度收敛的效果。具体地，如图3B所示，该研究采用了共计17个不同指标，通过不同合金配方与对照学习组之间指标数值对比，达到合金性能之间的对比学习目标。

图3 小样本学习算法用于高效设计多主元素合金

根据在测试集上的预测发现，该方法在较少样本数量的条件下，仍能取得较高的预测精度，如图4A和4B所示。并且相比于传统的分子动力学评估方法，该研究方法实现了高达12,600倍的加速预测（图4C）。同时，对比同样需要较少样本进行训练的线性回归模型，证明了该方法不仅具有需求训练样本少的优势，同时具有深度学习精度高的优点。

图4 小样本学习算法可实现高精度高效率预测多主元素合金性能

为解决多主元素合金设计中盲目或依托经验指导的方法所具有的低效问题，该研究采用多目标遗传算法，以CrFeCoNiMn合金为例，以优化包括杨氏模量和极限剪切应力两种力学性能为目标，实现了设计具有高强度高刚度的合金材料设计方法。并通过分子动力学验证计算，证明了该方法的有效性，如图5A所示。在此基础上，该研究深度分析了元素的摩尔浓度变化对合金力学性能变化的影响（图5B和5C所示）。

图5

论文引用信息：

Tian Guo, Lianping Wu, and Teng Li. Machine Learning Accelerated, High throughput, Multi-objective Optimization of Multi-principal Element Alloys. Small, Vol. 18, No. 42, 2102972 (2021).

https://doi.org/10.1002/smll.202102972