高熵陶瓷被认为是无机化合物固溶体，其中的一个或多个Wyckoff位点被4种或4种以上元素占据，且每种元素的占比为5~35 at.%。自2015年被发现以来，高熵陶瓷因其巨大的组分空间、独特的微观结构以及可调节的性能等特征吸引了国内外研究学者的广泛关注。迄今为止，包括高熵氧化物、高熵碳化物和高熵硼化物等在内的多种高熵陶瓷体系已被开发。其中，高熵碳化物（HECs）因其出色的机械、物理和化学性能，例如超高熔点、高硬度高强度、优异的抗腐蚀性和抗辐射性以及良好的催化和等离子体性能等，被认为是应用于极端环境领域的理想候选材料。然而，受传统研发手段以及HECs巨大组分空间的限制，目前HECs的研究仍处于初步阶段，大量的HECs尚未开发。为了加速HECs的研究和开发，建立HECs的形成能力描述符至关重要。
近年来，实验结合机器学习（ML）方法的高通量策略被证实是建立形成能力描述符的有效方法。来自华南理工大学的褚衍辉教授团队在Cell Press细胞出版社期刊Cell Reports Physical Science上发表了题为“Formation ability descriptors for high-entropy carbides established through high-throughput methods and machine learning”的研究论文。本文基于高通量超快高温合成实验和ML方法，建立了一个高效的HECs形成能力描述符组合。该组合包含平均体积、体积差异、平均泊松比、泊松比差异、鲍林电负性、鲍林电负性差异、艾伦电负性差异和价电子浓度差异，其ML验证精度为93.4%，优于目前报道的各类描述符（至少高出25.3%）。
