基于证据理论的多源知识协同融合用于高熵合金发现

发现具备理想性能的新型高熵合金（HEA）因其庞大的组成空间和复杂的相形成机制而具有挑战性。有效探索这一空间需要一种战略方法，将异构知识来源整合在一起。本文提出一种框架，系统性地结合来自计算材料数据集提取的知识与来自科学文献中提炼的领域知识。该方法的核心特征是显式考虑元素可替代性，识别可被互换的化学相似元素，以潜在地稳定所需的 HEAs。运用 Dempster-Shafer 理论，这一用于不确定性推理的数学框架，用于建模和组合来自多个来源的可替代性证据。该框架预测候选 HEA 构成的相稳性，并在四元合金系统上进行系统评估，证明其在交叉验证实验中优于基线机器学习模型和依赖单一来源证据的方法。通过利用多源知识，该框架即使在关键元素缺失于训练数据时，仍保持稳健的预测能力，凸显了其在知识迁移和外推方面的潜力。此外，该方法的增强可解释性提供了洞察 HEAs 形成的基本因素。总体而言，本工作为加速 HEA 发现提供了有前景的策略，通过整合计算与文本知识来源，在提高泛化和可解释性的同时，实现对庞大组成空间的有效探索。