单光存等，《Prog. Mater. Sci.》综述评论：磁性复合复杂合金的机器学习研究：关键综述- 大数跨境

首页

单光存等，《Prog. Mater. Sci.》综述评论：磁性复合复杂合金的机器学习研究：关键综述

科学材料站

2024-07-17

导读：单光存等，《Prog. Mater. Sci.》综述评论：磁性复合复杂合金的机器学习研究：关键综述

科学材料站

文章信息

磁性复合复杂合金的机器学习研究：关键综述

第一作者：李鑫

通讯作者：单光存*

单位：北京航空航天大学、香港城市大学

科学材料站

研究背景

经过近20年的研究，高熵合金材料被报道具有实现多种多样优良性能结合的潜力，例如软磁性能和力学性能、热膨胀性能和抗腐蚀性能等。因此，针对某些特定的服役环境，高熵合金具有极大的应用前景。然而，高熵合金的设计难点在于其成分区间非常大。复杂合金/高熵合金具有广阔的成分空间，如何进行核心成分的高效筛选及设计，并通过计算与实验探究和验证是研究高熵合金面临的首要问题。材料基因工程这一理念的提出与发展则给材料的开发与研究带来了新的机遇与挑战。传统的研究方式是基于试错法筛选并通过电弧熔炼制备单个的块状样品，这种方法从最初的制备到之后的表征和力学性能的测试都需要花费大量的时间和资源，很难找到性能优异的目标合金，对于合金的成分设计、筛选和组织–性能模型的建立及优化是非常不利的。材料基因工程是依托大数据，采用高通量的设计、制备和表征技术，促进材料的研究从传统的试错模式向低成本、高效快速响应模式的转变，从而实现新材料的筛选与研发的快速发展。在大数据、人工智能技术的推动下，材料研发的科学研究范式在经验、模型和计算的基础上发展出了数据驱动的新范式。因此，数据驱动的策略，例如机器学习，有望加速磁性材料的研发。得益于实验和机器学习技术的进步。此外，机器学习为通用人工智能技术(AI4S)赋能新型材料的研发提供了新方法。

科学材料站

文章简介

2024年7月，北京航空航天大学单光存教授和香港城市大学石灿鸿教授团队在国际材料科学领域权威综述期刊《材料科学进展》（Progress in Materials Science）在线发表了题为《磁性复合复杂合金的机器学习研究：关键综述》（Machine learning studies for magnetic compositionally complex alloys: A critical review）的长篇综述论文。

该综述论文全面总结了近年来磁性复合复杂合金的机器学习研究进展；包括通过特征选择、超参数调优、机器学习算法筛选，训练出具备优秀预测能力的机器学习模型，并基于训练机器学习模型实现对多元合金宏观性能的准确预测，数据驱动的多阶段优化设计方法，实现多元铁基合金单个目标性能的快速优化设计以及数据驱动的多目标优化方法(如兼具高铁磁强度和机械强度的Fe-Co-Ni-Al-Si系多元铁基高熵合金)等主要进展成就，最后对该领域的未来发展方向进行总结展望，并提出了未来应用方向。该综述论文工作对机器学习在其他材料领域以及分子药物等领域的应用都有借鉴价值。

该工作得到科技部战略性国际科技创新合作专项和国家自然科学基金等项目以及美国自然科学基金基础科研项目的资助。

科学材料站

本文要点

图1. 各种软磁性金属合金的磁矫顽力Hc与晶粒度尺寸D。

Fig. 2. Ashby plot for Bs against Hc of various magnetic alloys.

图2 各种磁性合金的Bs-Hc Ashby图。

图3. 磁性合金材料的机器学习研发流程图。

Fig. 4.A four-step feature selection method in ML studies of CCAs. (a) Correlation screening. (b) Feature selection based on RF. (c) Forward selection. (d) Best-subset selection.

图4. 一种在复杂磁性合金的机器学习研究中的四步特征选择方法。(a)相关性筛选。基于射频的(b)特征选择。(c)正向选择。(d)最佳子集选择.

Fig. 5. CV scores of ML models for Ms and hardness prediction of magnetic CCAs. (a) RMSE score of models based on ten ML algorithms. Predicted values of (b) Ms and (c) hardness compared with the corresponding experimental values. PE: percentage error.

图5.磁性CCA材料的Ms性能和硬度性能的ML预测模型的CV分数。(a)基于10个ML算法的模型的RMSE评分。(b) Ms和(c)硬度的预测值与相应的实验值的对比比较。PE：错误百分比。

图6. 面向CCA合金性能优化的主动学习框架内进行迭代实验设计循环流程图

Fig. 7. Experimental results of the iterative loop. (a) Alloying compositions with desired properties better than anyone in the training dataset were found after 2nd iteration of experiments. (b) The optimization ability of the utility function based on the trade-off between exploration and exploitation outperformed others.

图7 迭代循环的实验结果。(a)经过第二次迭代后的具有期望性能的合金组合样品（优于训练数据集中的任何组合）。

Fig. 8. Active learning for property optimization of CCAs. (a) Approach overview. (b) Illustration of the alloy discovery process. (c) Experimental and predicted values of the target property as a function of iteration number.

图8 CCA合金材料性能优化的主动学习方法。(a)方法的概述流畅示意图。(b)合金发现过程的示意图。(c)目标属性的实验值和预测值作为迭代次数的函数。

科学材料站

文章链接

Machine learning studies for magnetic compositionally complex alloys: A critical review

https://www.sciencedirect.com/science/article/abs/pii/S0079642524001014

科学材料站

通讯作者简介

单光存，北京航空航天大学仪器科学与光电工程学院教授、博士生导师，香港城市大学原校董，Sustainable Horizons期刊和Frontiers of Physics期刊编委、美国物理联合会 RSI（科学仪器评论，仪器科学类SCI Top2期刊）副主编。研究兴趣包括人工智能与水下智能机器人和通用人工智能技术（AI4S，包括机器学习加速材料基因工程和人工智能在新冠肺炎药物再利用等）、面向海洋环境安全保障和可持续发展的功能材料及其材料基因工程和海洋无人系统，以及面向医疗健康应用的柔性电子技术等。近年来他荣获2018年香港王宽诚教育基金会奖励资助、2019年全国高校人工智能大数据“人物创新奖”、2022年中国产学研合作创新奖、2023 年IAAM协会科学家奖章、中国有色金属学会高等教育教学成果奖励计划二等奖、2023年中国航空学会技术发明奖和 2023年中国产学研合作创新成果奖等；其中，作为导师带领团队在海洋放射性环境应急监测方面的科研成果荣获2022年国际跨界创新挑战赛(FALLING WALLS Lab)北京赛区第三名。

科学材料站

第一作者简介

本文第一作者李鑫博士是2018级北京航空航天大学与香港城市大学工学院联合培养博士生，研究方向为数据驱动的磁性合金材料的设计与研发，以第一作者身份在PMS、JMST、Appl. Mater. Today期刊等发表论文4篇，并申请国家发明专利2项。目前已毕业在西南交通大学工作。