基于逆向设计策略的高熵合金硬度突破性发现及其机器学习加速研究

针对高熵合金(HEAs)广阔成分空间中高硬度材料筛选难题，研究团队开发了结合主动搜索进程(PSP)的机器学习逆向设计策略。通过特征工程筛选出11个关键描述符构建SVR模型(R=0.96)，成功设计出硬度达1177 HV的Cr17.7 Fe20.9 Ni20.2 Ti22.2 V19.0 等合金，突破原始数据集最大值。SHAP分析揭示d-价电子浓度(e ?? d )是关键影响因素，为材料性能定制提供新范式。

　　

在材料科学领域，高熵合金(HEAs)因其独特的"鸡尾酒效应"成为研究热点。这类由五种以上主元组成的合金展现出惊人的硬度、耐腐蚀性和热稳定性，在航空航天、核反应堆等极端环境应用中潜力巨大。然而面对超过10⁷⁸
种可能的成分组合，传统"试错法"犹如大海捞针，即便动用32万个计算节点也需要3×10⁶⁰
年才能完成筛选。更棘手的是，现有理论计算方法如密度泛函理论(DFT)和相图计算(CALPHAD)虽能指导设计，但往往聚焦于相稳定性而忽视力学性能，且计算成本高昂。

针对这一瓶颈，云南贵金属实验室联合研究团队在《Journal of Alloys and Compounds》发表创新成果。研究人员构建包含373组HEAs样本的数据库，采用三步特征筛选法从145个初始描述符中锁定11个关键特征，包括原子半径差(δ_r
)、混合熵(ΔS_mix
)等。通过比较支持向量回归(SVR)、随机森林(RF)等算法，最终选用SVR模型达成留一法交叉验证(LOOCV)与测试集相关系数R双0.96的优异表现。

关键技术方面，研究首创将主动搜索进程(PSP)框架融入逆向设计：首先建立成分-性能映射模型，然后通过PSP在10⁷⁸
维空间智能导航，仅评估约0.1%候选成分即锁定目标区域。实验验证阶段，团队制备出三种预测高硬度合金，其中Cr_17.7
Fe_20.9
Ni_20.2
Ti_22.2
V_19.0
实测硬度达1177 HV，比原始数据集最高值提升15%。另一组分Al_31.1
Co_29.8
Cr_2.4
Cu_0.1
Fe_10.8
Ti_17.0
V_8.8
也突破1000 HV大关。

【ML based inverse design strategy for HEAs】
通过PSP框架实现"大海捞针"式搜索，仅用传统方法0.0001%的计算量即发现性能突破的合金成分，验证了逆向设计在超大规模材料空间的高效性。

【Feature selection】
三阶段筛选揭示d-价电子浓度(${\stackrel{}{e}}^{}$

??


d





)的核心作用：当该值<5.4时与硬度呈正相关，这一发现为后续设计提供明确调控靶点。

【Conclusion】
研究不仅实现硬度突破，更建立可推广的方法学框架。SHAP分析表明，除d-价电子浓度外，价电子数(VEC)和电负性差(Δχ)共同构成硬度"三重调控开关"，为多性能协同优化指明方向。

该工作的重要意义在于：首次将PSP框架与逆向设计结合，破解了超大规模材料空间的探索难题；实验验证的1177 HV硬度值刷新HEAs性能记录；提出的"描述符-性能"关系模型可迁移至其他材料体系。正如文中所言，这种方法"可能对其他材料领域具有指导意义"，为新材料研发提供了从"经验驱动"向"数据驱动"转型的典范。