西安交大张金钰教授、马恩教授、孙军教授 Nature：机器学习设计具有高强度塑性的合金

针对上述挑战，西安交通大学金属材料强度全国重点实验室张金钰教授、马恩教授和孙军教授在前期成果（Acta Mater, 2022, 233: 117981；Scripta Mater, 2023, 222: 115058）的基础上，提出使用超高体积分数的金属间化合物析出相，即共格 L1₂纳米相和非共格低模量硬质塑性B2微米相，耦合强化FCC富铁复杂合金基体。

2025年6月18日，相关成果以“Machine-learning design of ductile FeNiCoAlTa alloys with high strength”为题发表在Nature上。西安交通大学材料学院博士生Yasir Sohail、张崇乐分别为该论文的第一、第二作者；张金钰教授、马恩教授和孙军教授为论文共同通讯作者；参与该工作的还有刘刚教授、薛德祯教授、杨洋副教授和博士生张东东、高少华、范晓轩和张航。西安交通大学金属材料强度全国重点实验室是该工作的唯一通讯单位和完成单位。表征及测试工作得到西安交通大学分析测试共享中心、材料学院实验技术中心和上海光源的大力支持。

为了实现室温超高强度-大均匀拉伸延性，该合金的设计思想是：i)以超高体积分数的具有高反相畴界能的共格L1₂纳米相并增加其强度，ii)引入高体积分数的低模量非共格B2微米相；一方面非共格界面比共格界面更加有效地阻碍位错运动以提高屈服强度，另一方面多种合金元素的引入降低B2的反相畴界能以增加其塑性，使这些颗粒作为位错存储单元提高加工硬化能力。

多主元合金的设计理念导致复杂合金拥有巨大的成分选择空间，这对基于传统的“试错法”设计高性能合金带来了前所未有的困难。

为此，团队成员基于领域知识辅助的机器学习方法进行了成分筛选，通过高固溶度的轻元素Al和L1₂相反相畴界能提升最显著的元素Ta（而非元素Ti）协同合金化，获得了L12+B2双析出相强化Fe₃₅Ni₂₉Co ₂₁Al₁₂Ta₃（at.%）复杂合金（图1），其L1₂纳米相（富Al、Ta）和B2微米相（富Al、贫Ta）的体积分数分别高达~67 vol.%与~15 vol.%，共格L1₂/FCC界面和非共格B2/FCC界面均能够与位错发生强烈的交互作用（图2），不仅能够产生位错还能够存贮位错，特别是低模量B2微米相能够比（FCC+L1₂）基体存储更高密度的位错（图3），显著提升了合金的加工硬化性能，从而提高其屈服/抗拉强度与拉伸延性，使得合金在室温下实现了前所未有的强度-塑性组合，明显优于迄今为止已报道的所有合金（图4）。团队提出的合金设计策略也为其他高性能合金设计提供了新思路。

图1. 用于发现超强和延展性 FeNiCoAlTa HEA 的基于领域知识的机器学习模型。(a)基于领域知识的机器学习模型（主动学习循环由六个步骤组成）预测具有超强塑性的FeNiCoAlTa复杂合金，(b)理论预测屈服强度与实验测量屈服强度相符合，证实了机器学习模型的可靠性，(c)实验测量屈服强度与模型迭代次数的关系，发现了最优成分的Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃复杂合金。

图2. HEA05合金中的微结构特征和组成分布。(a-d) 具有三相组织的Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃复杂合金室温变形与界面特征，即位错能够切过L1₂纳米相，并存储于低模量的B2微米相，L1₂/FCC共格与B2/FCC非共格界面均存在位错；(e)原子探针分析复杂合金的化学成分与分布特征，以及多主元L1₂ 纳米相和B2微米相的元素构成。

图3. 带拉伸应变的HEA05合金中位错密度的演变。 Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃复杂合金中各组成相的位错密度随应变量(a1-d1) ε=0、(a2-d2) ε=8%和(a3-d3) ε=20%的演化，表明低模量B2微米相能够比(FCC+L1₂)基体存储更高密度的位错。

图4. Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃ HEA05合金的机械性能。(a-b)不同成分的复杂合金的工程应力-应变和真应力-应变曲线，(c) Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃复杂合金的加工硬化性能与其他2GPa级超高强金属材料（D&P钢、马氏体钢、中高熵合金）对比，(d，e ) Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃复杂合金的屈服强度-均匀拉伸延伸率匹配和屈服强度-强塑积匹配与其他金属材料对比，室温力学性能组合明显超越目前报道的其他金属材料。