基于全局与聚焦学习策略的难熔高熵合金电化学行为数据驱动预测及腐蚀机制解析

针对难熔高熵合金(RHEAs)腐蚀行为预测中实验数据稀缺与微观机制不明确的问题，研究人员提出全局与聚焦学习(GFL)融合的数据驱动方法，通过极化曲线预测和SHAP分析，成功设计出高耐蚀性Ti20 V10 Nb20 Mo20 Ta30 等合金，为材料曲线数据分析提供了可解释的ML工具。

　　

在航空航天、清洁能源和生物医学等领域，对兼具优异机械性能和耐腐蚀性的新型结构合金需求迫切。难熔高熵合金(RHEAs)因其独特的相结构稳定性和耐腐蚀潜力成为研究热点，但传统实验方法耗时且难以揭示微观机制，而机器学习(ML)在小样本条件下预测稳定性不足。针对这一难题，研究人员开展了一项创新研究，通过融合全局学习与聚焦学习(GFL)策略，实现了RHEAs腐蚀行为的精准预测与机制解析，相关成果发表在《Materials》上。

研究团队采用随机森林回归(RFR)算法构建极化曲线预测模型，结合SHAP值分析筛选出ΔG_avg
（氧化物平均生成能）、Ed（原子解离能）等12-13个关键特征；通过t-SNE降维验证信息转移对数据分布的优化作用；最终从191万种成分组合中筛选出Ti₂₀
V₁₀
Nb₂₀
Mo₂₀
Ta₃₀
等合金，实验证实其腐蚀电流密度(i_pass
)较纯钛降低36%。

3.1 极化曲线的全局学习
通过RFR模型对含2000+数据点的极化曲线进行训练，预测误差控制在8.6%（i_pass
）和1.8%（腐蚀电位E_corr
），关键特征电极电位(E_SHE
)和Martynov-Batsanov电负性(X_MB
)被锁定。

3.2 可解释的聚焦学习模型
基于615组虚拟数据构建的RFR模型，SHAP分析揭示ΔG_avg
<-1300 kJ/mol、EA>48 kJ/mol时合金耐蚀性显著提升，该结论与钝化膜半导体特性理论吻合。

3.3 高耐蚀合金筛选验证
Ti₂₀
V₁₀
Nb₂₀
Mo₂₀
Ta₃₀
的i_pass
达2.9 μA/cm²
，其金属-氧键强度(Ed>15 kJ/mol)有效抑制阳极氧化膜结晶化，证实特征筛选的物理意义。

4.2 关键特征影响机制
研究首次通过ML量化了原子电荷特性（EA/X_MB
）与钝化膜稳定性的关联，当ΔG_avg
和Ed超过阈值时，SHAP值符号反转导致材料耐蚀性跃升，为"成分-电子结构-性能"关系建立新范式。

该研究不仅解决了小样本数据下RHEAs性能预测的难题，更通过GFL策略为材料曲线数据分析提供了兼具预测精度与物理解释的研究框架。发现的金属-氧键强度调控规律，为设计新一代耐蚀合金提供了明确指导，推动材料研发从经验探索向理论预测的转型。Xinpeng Zhao和Haiyou Huang等作者的工作，标志着数据驱动方法在复杂合金体系研究中的里程碑式突破。