基于机器学习的高熵合金热处理微观组织演化预测：综合评述

《Next Materials》：Machine learning-based prediction of microstructural evolution during heat treatment of high-entropy alloys: A comprehensive review

　　

高熵合金（High-Entropy Alloys, HEAs）是多主元材料体系，其中五种或更多元素以近似等摩尔比例组合。由于能够融合超越传统单主元合金的力学、热学与化学性能，该类合金持续吸引着科学界的广泛关注。热处理是调控HEA微观组织的主要杠杆：退火、均匀化、时效及固溶处理各自以特定方式改变相分数、析出相形貌、晶粒尺寸分布及位错亚结构，最终决定其在航空航天、能源发电或生物医学等严苛服役条件下的适用性。然而，仅依靠传统试错冶金学在该巨大成分与工艺空间中进行实验探索，其成本与耗时均高得难以承受。新兴的闭环范式——机器学习（Machine Learning, ML）模型预测微观组织结果、主动学习（Active Learning）选择下一个实验、自动化表征闭合反馈回路——代表了HEA热处理科学的关键前沿，能够以纯实验手段无法达到的通量系统化地导航成分-工艺-微观组织空间。包括随机森林（Random Forest, RF）、梯度提升树（Gradient-Boosted Trees, GBT）、人工神经网络（Artificial Neural Networks, ANN）、支持向量机（Support Vector Machines, SVM）、高斯过程回归（Gaussian Process Regression, GPR）、图神经网络（Graph Neural Networks, GNN）、卷积神经网络（Convolutional Neural Networks, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）以及物理信息深度学习架构在内的ML方法，提供了一种根本不同的范式：直接从积累的数据集中提取定量的结构-性能-工艺关系，然后将这些关系推广至从未被物理实验测试过的成分与热处理制度。本评述综合了ML辅助预测HEA热处理过程中微观组织演化的最新进展。研究人员追溯了支配HEA相选择与微观组织发展的基础冶金学概念，调查了用于训练ML模型的数据集的构建与整理，评估了主要算法及其相对优缺点，并讨论了ML与CALPHAD热力学框架及物理信息约束的集成。随后，研究人员识别出数据稀缺性、可迁移性、可解释性以及动力学路径处理等关键开放挑战，并提出了预计将定义该领域未来十年工作的研究方向。本评述的范围被刻意限定：涵盖应用于热处理诱导微观组织演化的ML方法，包括HEA及直接相关的多主元合金（Multi-Principal Element Alloys, MPEAs）中的相分数、析出相形貌、晶粒尺寸及sigma相形成；室温力学性能预测、腐蚀及涂层沉积仅在直接为微观组织演化建模提供信息时纳入覆盖范围。尽管第10节特别关注表面工程与高熵涂层应用，所评述的方法同样适用于航空航天与核能服役的块体结构合金、生物医学植入合金、储氢氢化物、热电装置及储能电极；这一广度在第10.4节中予以讨论。本评述涵盖分布于12个章节及15幅原创图中的106篇可验证的主要参考文献。

论文解读：基于机器学习的高熵合金热处理微观组织演化预测综合评述

一、研究背景与问题提出

高熵合金（HEAs）是2004年由Yeh等人和Cantor等人几乎同时独立报道的一类新型多主元材料体系，其核心特征在于五种或更多元素以近似等摩尔比例组合，不存在占主导地位的基体元素。与传统单主元合金的设计范式不同，HEAs凭借高构型熵稳定简单固溶体相，能够融合超越常规合金的力学、热学与化学性能组合，在航空航天、能源发电及生物医学等严苛服役条件下展现出巨大应用潜力。

热处理是调控HEA微观组织的核心工艺手段：退火消除枝晶偏析，固溶处理与可控时效析出共格L1?有序相以显著提升屈服强度而不牺牲延展性，控制冷却则可冻结亚稳双相组织以获得平衡态无法实现的性能组合。然而，HEA微观组织对热处理参数的敏感性与常规合金至少相当，而五至七元合金的独立成分变量可超过六个，导致系统性实验探索成本极其高昂。传统试错冶金学方法在如此庞大的成分-工艺空间中导航，需要数百至数千次独立实验，每次实验均需样品制备、热处理、X射线衍射（XRD）、扫描及透射电子显微镜表征和力学测试，其成本与耗时难以承受。

机器学习（ML）方法为此组合爆炸瓶颈提供了变革性解决路径。通过从已有实验测量与计算输出数据库中训练预测模型，ML能够在不执行每一个中间实验的前提下，推荐可能获得目标微观组织的成分与热处理制度。自2015年以来，ML与HEA交叉研究年发文量从3篇增长至2024年的148篇，增长49倍，反映了该领域的快速成熟。然而，文献质量与报告标准存在显著异质性，基于不充分交叉验证的过度乐观精度声明风险真实存在，亟需系统性评述加以批判性评估。

二、研究内容与核心结论

本评述系统综合了ML辅助预测HEA热处理过程中微观组织演化的研究现状，涵盖106篇可验证的主要参考文献，分布于12个章节及15幅原创图。研究追溯了支配HEA相选择与微观组织发展的基础冶金学概念，调查了训练数据集构建与整理方法，评估了主要算法及其相对优劣，讨论了ML与CALPHAD热力学框架及物理信息约束的集成方式，并识别出数据稀缺性、可迁移性、可解释性及动力学路径处理等关键开放挑战。

三、关键技术方法

研究人员采用了系统化文献检索协议，在Web of Science核心合集、Scopus及Google Scholar中执行布尔检索字符串，覆盖2010年1月至2024年12月，初始检索获得1847条记录，去重后剩1203条，经双人独立标题与摘要筛选及全文审查后，最终纳入108篇符合标准的主要参考文献。数据来源涵盖美国空军研究实验室MPEA数据库、AFLOW存储库、Materials Project及NIMS结构材料图谱等多源数据库，并涉及高通量实验数据（如组合共溅射、扩散多元结、喷墨打印成分梯度）与CALPHAD生成合成数据（如Zhang等人生成的10,000点Al-Co-Cr-Fe-Mn-Ni体系数据集）。特征工程方法涵盖元素浓度直接特征、热物理描述符（混合焓ΔH_mix、混合熵ΔS_mix、原子尺寸失配δ、价电子浓度VEC、电负性差Δχ及Ω参数）以及SISSO识别的几何描述符。

四、研究结果

4.1 机器学习算法原理与HEA性能

树集成方法（随机森林RF与梯度提升树GBT）因能优雅处理混合特征类型、对异常值稳健、内置特征重要性估计且超参数调优需求有限，成为HEA性能预测的主力。Roy等人结合SVM、GBT与RF预测587种HEA成分的晶体结构相与杨氏模量，相分类准确率超90%。Zhang等人比较六种算法于401种HEA成分，RF与GBT共享约92%的最高准确率，VEC、原子尺寸失配与混合焓为最具信息量的三个成分特征。Gao等人应用XGBoost于固溶体HEA硬度预测，测试集R2=0.91，合金密度与VEC为最具影响力特征。

深度神经网络（DNN）在数据集超过千点后变得可行。Wen等人在1544种HEA成分上训练DNN预测固溶强化贡献，捕捉了加和模型无法复现的元素间非线性耦合效应。Vazquez等人在1920个CALPHAD生成相分数数据点上训练五隐层DNN回归器，在240种成分实验测试集上实现94%主相识别准确率，优于RF（88%）与SVM（82%）。CNN应用于HEA微观组织图像自动分析，Liu等人在涵盖十二个合金族及每合金五种热处理条件的3200张标注SEM图像上训练CNN，相分割平均交并比达0.87。

高斯过程回归（GPR）提供校准的不确定性估计，对指导实验活动至关重要。Vazquez等人应用Matérn-5/2核GPR预测Al-Co-Cr-Fe-Mn-Nb-Ni体系弹性模量，28次主动学习迭代即识别最大模量成分，置信区间在所有情况下均正确包络真实最大值。主动学习与随机搜索的收敛性对比显示，GPR主动学习约34次实验即可识别全局最优5%以内的成分，而随机搜索需约140次，实验成本降低4.1倍。

图神经网络（GNN）作为新兴方向，以原子为节点、原子间键为边构建局部化学环境图表示。Ma等人应用图ML预测L1?强化钴基超合金稳定性与力学性能，图表示成功捕获了向量描述符模型无法实现的跨成分可迁移性。

4.2 热处理HEA相预测

FCC/BCC/HCP及混合相分类是ML在HEA研究中最先应用且基准最完善的问题，多组独立研究在留出测试集上一致报告超90%准确率。然而，域偏移是反复出现的局限：在特定HEA族上训练的模型对根本不同族表现不佳。Li等人证明TRIP-HEA中负责优异强塑性的亚稳双相微观组织并非平衡相组合，平衡训练的ML分类器将错误预测，这促使将淬火速率与工艺历史纳入显式输入特征。

sigma相及拓扑密排相（TCP）预测方面，Bansal等人在423种热处理HEA成分上训练梯度提升分类器预测sigma相形成概率，测试集ROC曲线下面积0.91，Cr含量、Cr/Fe比、退火温度与时间为主要预测因子。该模型成功区分热力学上处于sigma稳定场内但动力学上无法在可用时间内形成sigma的成分，这是纯热力学CALPHAD计算无法做出的区分。Christofidou等人对112种CrMn?FeCoNi成分应用RF分类，700°C时效500小时后sigma形成预测准确率87%，Mn含量与VEC为两个最重要特征。

CALPHAD-ML混合相预测持续表现最佳。Zeng等人报告在CALPHAD衍生热力学量上训练的RF实现93%留出测试集准确率，较仅用成分描述符训练的同一模型（81%）提升12个百分点。三种耦合策略已出现：顺序耦合（CALPHAD生成训练数据，ML作为代理）、并行耦合（CALPHAD输出作为额外ML输入特征）与集成耦合（ML校正CALPHAD系统残差，捕获动力学非平衡效应）。Zhao等人报告集成耦合较顺序耦合在实验测试集上提升8–12个百分点（CoCrFeNi +8.1、AlCoCrFeNi +10.4、CoCrFeMnNi +12.2）。

4.3 析出动力学与形貌演化预测

经典动力学模型（JMAK、Zener、LSW）在HEA中常因多相同时形核长大、基体成分随析出演化及各向异性成分依赖扩散而失效。Taylor与Conduit证明基于Ni基超合金相场模拟数据训练的LSTM模型，在留出合金成分上预测析出演化轨迹的体积分数均方根误差低于3%，显著优于同数据上训练的前馈DNN。针对CoCrFeNiAl?.?Ti?.? HEA的L1?析出体积分数演化，LSTM模型在650、700、750、800°C四个温度及10至10,000小时时间尺度上实现R2=0.94。

CNN图像分割模型在标注SEM数据集上以亚像素精度识别析出相形状参数。与跨热处理条件范围的成分数据结合时，这些自动化测量提供定量形貌演化轨迹，作为动力学ML模型的训练目标。晶界与层错处异质形核优先于基体均匀形核（如CoCrNi基中熵合金所记录），产生平均场动力学描述符无法表征的空间相关分布，这是基于图像的训练目标优于标量体积分数标签的主要原因。

相场模型与分子动力学（MD）模拟作为合成训练数据来源。相场模型模拟相界面的扩散界面演化，经CALPHAD热力学与迁移率数据参数化后，生成特定HEA成分的物理真实微观组织演化轨迹。Widom提供了使用蒙特卡洛与MD模拟生成HEA原子尺度结构与热力学数据的综合框架，这些数据可在微观组织尺度参数化相场模型，形成从DFT电子尺度到CALPHAD介观尺度的多尺度模拟链。

4.4 物理信息与CALPHAD集成机器学习

物理信息神经网络（PINNs）将控制物理方程作为训练损失函数中的软约束，即使在训练数据未显式采样的区域也惩罚违反物理定律的预测。对HEA微观组织预测，受质量守恒及相分数总和为一约束的PINN在数据稀疏区域远比同数据上训练的无约束网络可靠。Zhao等人通过SISSO-PINN框架将其扩展至HEA，在保持物理可解释性的同时实现95%相分类准确率。

五、讨论与结论

本评述识别出若干关键开放挑战：数据稀缺性（HEA成分空间维度极高而实验数据点有限）、可迁移性（跨合金族域偏移问题）、可解释性（ML模型物理意义提取）以及动力学路径处理（非平衡亚稳相与淬火历史效应）。未来研究方向预计将聚焦于闭环实验范式（ML预测-主动学习选实验-自动化表征反馈）、多尺度模拟与ML的深度融合、以及物理约束与不确定性量化方法的进一步发展。尽管存在上述挑战，ML与CALPHAD热力学框架的集成已被证明是HEA相预测中持续表现最优的途径，而主动学习引导的实验活动可将最优成分识别成本降低数倍。该领域正处于从方法论验证向实际合金设计工具转化的关键阶段，其发展将深刻影响下一代高性能结构材料的设计范式。