【精选文章】北科大骆鸿团队MGE Adv.：深度学习加速了多种强度–韧性的多主元合金的发现

扫描二维码查看原文

文章引用：

Fan C, Luo H, Zhao Q,Wang X, Cheng H, Chang Y. Deep learningaccelerated the discovery of multi-principal elementalloys with various strength-toughness trade-offs.MGE Advances. 2025;e70020.

https://doi.org/10.1002/mgea.70020

文章摘要

机器学习显著提升了多主元合金（MPEAs）的研发效率。然而，针对不同强度–韧性的MPEAs的快速发现仍处于初步研究阶段。这一难题源于强度与韧性之间的固有平衡、高维且稀疏的成分设计空间中现有数据的复杂性与稀缺性，以及缺乏有效的 Pareto前沿优化策略。为应对上述挑战，我们提出了一套融合多种深度学习模型与 Pareto 优化算法的合金设计框架。仅经过三轮迭代，该框架便成功生成八种性能超越原始数据集基准的MPEAs，展现了多样化的强度–韧性组合。微观组织分析进一步证实，该框架能够通过精准成分调控影响相形成与显微结构，获得优异且丰富的强韧性匹配。凭借其高效性，该框架在加速满足不同强度与韧性需求的材料设计方面具有广阔的应用前景。

文章重点内容介绍

多主元合金（MPEAs）因兼具高强度与韧性的潜力而受到广泛关注。然而，由于其成分体系通常涉及多种元素组合，导致设计空间高维且稀疏，使得依赖传统实验手段进行成分筛选与性能优化变得异常困难。机器学习作为一种具备泛化能力的数据驱动方法，能够适应复杂高维空间中的性能预测任务，已被广泛应用于材料设计领域。然而，多主元合金数据普遍存在样本数量有限、数据噪声高、维度复杂等问题，给机器学习建模与泛化能力带来了新的挑战。

为应对上述困难，本文提出了一种融合深度学习模型与多目标优化算法的智能合金设计框架。该框架首先针对数据量小、噪声大的特点，设计了融合注意力机制与多通道特征提取模块的自适应特征融合网络（AFN），以提升性能预测的准确性与鲁棒性；同时，为了在高维稀疏成分空间中实现高效的成分优化，引入生成对抗网络（GAN）生成潜在优质初始样本，并结合非支配排序遗传算法（NSGA-II）进行多目标优化搜索；最终通过实验验证与数据回灌，构建模型—优化—实验的闭环迭代机制，实现合金成分的智能优化与实验可行性筛选。

实验结果表明，仅经过三轮“生成—优化—实验”循环，便成功筛选出八种性能超越原始数据集基准的MPEAs，这些合金在强度和韧性之间展现出多样化的权衡组合，证明该方法不仅具备优化强韧性能的能力，还能够在多目标场景下实现有效的帕累托最优搜索。研究验证了所提出框架在高维稀疏空间中的可行性与扩展性，为解决强度—韧性性能长期矛盾与加速多目标合金设计提供了一条通用且可推广的技术路径。

作者介绍

通讯作者

骆鸿，北京科技大学新材料技术研究院教授，博士生导师，国家级青年人才项目获得者，德国洪堡学者。现任国家材料腐蚀与防护中心副主任，IEEE PES储能技术委员会氢能分会常务理事。主要研究方向为先进不锈钢/耐蚀材料的设计和服役安全；高熵金属的氢脆和环境腐蚀机制；电解水制氢关键部件材料腐蚀机理；金属表面高性能防护涂层。先后主持并参与20项包含国家重点研发计划、国家自然科学基金、中国石油科技创新基金、省部级基金和国外基金等在内的科技任务。发表论文160余篇，被引用超过8000次。担任8个SCI期刊的编委/青年编委。

第一作者

樊春辉，北京科技大学新材料技术研究院硕士研究生。主要研究方向为基于生成式机器学习的高强韧多主元合金的设计与开发。

《材料基因工程前沿（英文）》简介

《材料基因工程前沿（英文）》（Materials Genome Engineering Advances，简称：MGE Advances）作为材料基因工程领域首个高水平综合性学术期刊，其宗旨是面向国家重点战略布局与材料学科国际学术前沿发展的重大需求，聚焦材料基因工程领域，刊载先进材料计算、高通量/自动化/智能化材料实验技术、材料数据库与大数据技术等材料基因工程关键技术的研究进展和前沿成果，以及三者在材料新效应/新原理探索和新材料发现等方面的重要应用，创建一个跨学科多领域交叉融合的国际一流高水平出版平台和学术交流平台，推动新材料研发模式变革。