基于深度学习模型的难熔高熵合金多属性优化设计与性能突破

《npj Computational Materials》：High-throughput exploration of refractory high-entropy alloys for strength and plasticity

　　

摘要

难熔高熵合金（RHEAs）是一种成分复杂的材料，已被证明在高工作温度下具有优异的强度。然而，它们的成分范围非常广泛，同时还需要满足其他性能要求，例如在室温下具有适当的塑性。在这里，我们利用最新发布的先进深度学习模型来预测1000°C时的抗压屈服强度以及室温下的塑性（大于100,000）。研究发现了几种在强度和塑性之间表现出优异平衡的候选材料。经过实验合成后，证实这些候选材料在同时具备高强度和高塑性方面优于之前报道的任何RHEAs。我们的工作展示了数据驱动方法在快速材料设计中的强大作用，并为多属性优化和材料发现提供了可能。