从数据到合金：使用机器学习预测和筛选高熵合金的高硬度

结构材料在极端环境中需要具备强度、机械稳定性和耐久性，这正在推动高熵合金的开发。高熵合金是由五个以上主要元素近等摩尔混合组成的材料，构成的复杂性常常导致机械性能和高热稳定性的改善。因此，高熵合金已在航空航天、生物医疗、能源存储、催化、电子等领域找到应用。然而，高熵合金的广泛组成设计和实验探索既耗时又昂贵，需要大量资源。机器学习技术因此成为加速高熵合金发现的关键，利用数据驱动预测前景合金组合及其性能。因此，本工作采用机器学习框架，从原子半径、价电子数、键强度等元素描述符预测高熵合金的硬度。本研究中训练了 LightGBM、梯度提升回归器和 Transformer 编码器等机器学习回归模型。此外，还微调了一个语言模型，用于从元素描述符字符串预测硬度。结果表明，LightGBM 在预测高熵合金硬度方面的准确率优于本研究中使用的其他模型。进一步地，使用组合技术生成超过 900 万个虚拟高熵合金候选，并使用训练好的机器学习模型预测其硬度。这一研究表明，机器学习驱动的高通量筛选和语言建模方法可以加速下一代高熵合金的开发。