《Materials Genome Engineering Advances》：Designing High-Entropy Alloys With Low Stacking Fault Energy Through Interpretable Machine Learning
编辑推荐：
本文提出了一种集成多层感知器回归（MLPR）、支持向量回归（SVR）和极限梯度提升回归（XGBR）的可解释机器学习（ML）集成算法框架，通过价电子浓度（VEC）筛选和创新的评分函数（Score = AMean + BStd）成功设计了具有孪生诱导塑性（TWIP）/相变诱导塑性（TRIP）效应的无BCC相CoCrFeNiMn基高熵合金（HEAs）。该框架通过特征工程将模型预测精度提升13%，并利用SHAP分析揭示了Mn、Fe、Co、Cr等元素对层错能（SFE）的调控规律，为低SFE材料的高效设计提供了新范式。
引言
高熵合金（HEAs）作为多主元近等原子比设计的新材料体系，在极端环境应用中展现出巨大潜力。其中面心立方（FCC）结构的CoCrFeNiMn体系因优异的拉伸延性和断裂韧性被广泛研究。层错能（SFE）作为调控变形机制的关键参数，其降低可促进位错分解、孪晶和ε-马氏体形成，通过多机制协同作用提升应变硬化能力。然而，多元合金的复杂成分空间为低SFE材料设计带来挑战。传统单元素调控或经验公式法难以实现高效探索，而机器学习（ML）数据驱动方法为突破此瓶颈提供了新途径。
机器学习框架构建
研究团队建立了集成算法框架，包含数据集构建、特征工程、模型训练与成分筛选、实验验证四个核心环节。该框架创新性地采用并行预测策略，整合三种高精度ML模型（MLPR、SVR、XGBR的R2>0.9），通过加权平均值（Mean）和标准差（Std）构建评分函数平衡模型的"利用-探索"能力。基于Khan等人的第一性原理计算数据（498种FCC结构HEAs的SFE值），通过特征筛选将34个物理描述符优化至11个关键特征，使MLPR模型精度提升13%。关键特征如晶格稳定性（D1/D2）、比热（D10）、原子量（D6）等通过调控相稳定性、电子结构和弹性响应，物理意义明确地关联SFE变化。
模型可解释性分析
通过SHAP分析揭示元素作用规律：Mn为最显著负向因子（SHAP值>10），Fe、Co、Cr可降低SFE，而Ni、Al、V则呈现升高趋势。该结论与文献中Cr/Ni比调控、低SFE元素富集等实验规律一致。对于虚拟预测数据集，三种模型的SHAP趋势与原始数据集高度吻合，验证了模型的泛化能力。进一步分析显示，晶格稳定性和比热的增加会提高FCC相稳定性从而提升SFE，而原子量、电负性和第一电离能的增加则通过增强晶格畸变和键合定向性降低SFE。弹性常数C11和C12通过非线性耦合作用影响剪切模量，间接调控SFE。
合金筛选与实验验证
基于VEC>8的相筛选条件，从50万组虚拟成分中筛选出29.5万组无BCC相候选成分。通过评分函数（A=0.8, B=0.2）优选出5种成分差异显著的合金。实验表征表明：1号合金为FCC/HCP双相结构（HCP含量5.3%），2-5号合金为单相FCC。拉伸测试中2号合金表现最优（抗拉强度614.82±18.32 MPa，均匀延伸率51.54±2.11%），其加工硬化率曲线波动显著，预示多重变形机制共存。通过Fan经验公式拟合的SFE值均低于15 mJ/m2，显著低于文献报道的单相FCC高熵合金。
变形机制关联分析
透射电镜（TEM）分析揭示变形机制与SFE的强关联性：1号合金断裂后马氏体含量增至25.3%，证实TRIP效应，但界面应力集中导致塑性受限；2号合金出现平均厚度19±3.5 nm的交叉孪晶（DTs），对应最低SFE状态；3-4号合金呈现孪晶与层错（SFs）共存；5号合金仅存在高密度层错。该变形机制序列（交叉孪晶→孪晶/层错共存→单一层错）与合金评分趋势完全一致，且符合TWIP/TRIP效应转变规律，验证了框架的预测可靠性。
框架普适性验证
针对双相合金的预测偏差（如1号合金），主要源于训练集仅包含单相FCC数据。通过将该评分策略应用于其他合金体系（如钢、镁合金）的ML设计，证明其可作为通用的性能筛选指标。该集成框架通过VEC预筛选、多模型并行预测和平衡探索-利用的评分策略，为高性能材料设计提供了新范式，特别适用于具有高质量数据集的材料体系。
结论与展望
本研究通过可解释ML框架成功设计出具有TRIP/TWIP效应的低SFE高熵合金，突破传统"试错法"局限。SHAP分析量化了元素对SFE的贡献度，为成分优化提供理论指导。变形机制与评分趋势的吻合证实了框架的实用性。未来可扩展至多相合金数据集，并结合分类模型提升相筛选精度，进一步推动ML在材料设计中的应用深度。
