坎托型FeNiCoCrMn合金的数据驱动设计：融合基于物理的模型、可解释人工智能与实验

《Digital Discovery》：Data-driven design of Cantor-type FeNiCoCrMn alloys: integrating physics-based models, explainable AI, and experimentOpen Access

　　

研究人员开发了一种将数据驱动框架与分子模拟及进化算法相整合的方法，用于加速发现具有高空模量和不稳定层错能的FeNiCoCrMn基多主元合金(MPEA)。所识别成分被合成并测试其晶体结构与力学性能（硬度和杨氏模量），结果均呈单相面心立方(FCC)结构。计算与实验结果在定性上具有合理一致性。为探究元素—性能关系，研究人员训练了一维卷积神经网络(1D-CNN)并采用SHapley Additive exPlanations(SHAP)分析。分析揭示：MPEA的体模量更多与成分而非局域有序相关；Mn浓度与局域原子环境是性能主要驱动因素，其中Mn和Co分别对体模量产生负向和正向贡献。该计算工作流及所获基础见解可拓展应用于不同元素组成的MPEA及其他非MPEA材料设计。

研究背景方面，多主元合金(MPEA)因高强度、高延性、耐磨、抗蠕变和耐腐蚀等特性，成为下一代结构与功能材料的研究热点。等摩尔FeNiCoCrMn即坎托合金(Cantor alloy)，是研究成分—结构—性能关系的模型体系。Mn在该体系中显著影响变形行为、凝固形貌、腐蚀性能和层错能(SFE)。现有方法里，密度泛函理论(DFT)精度高但体系小，计算机耦合相图与热化学(CALPHAD)缺乏原子尺度分辨率，分子动力学(MD)可兼顾千原子级局域化学涨落与原子尺度变形机制，但MPEA成分空间庞大，仅靠模拟穷举成本过高。传统机器学习(ML)与深度学习(DL)预测力强却可解释性差，而化学短程有序(CSRO)如何调控坎托型MPEA层错能学仍缺乏原子尺度可解释认识。因此，研究人员建立基于物理模拟与可解释人工智能(XAI)耦合的计算—实验框架，以系统性理解成分与局域构型对力学性能的影响。该论文发表于《Digital Discovery》。

关键方法上，研究人员采用粒子群优化(PSO)引导的分子动力学(MD)在5–35 at%元素浓度约束下采样FeNiCoCrMn成分空间，用二阶最近邻修正嵌入原子法(2NN MEAM)势计算弹性常数与广义层错能曲线得到不稳定层错能(USFE)；以弧熔法制备候选合金并经600 ℃退火淬火，用粉末X射线衍射(pXRD)和纳米压痕实验验证；用一维原子阵列训练一维卷积神经网络(1D-CNN)学习原子尺度结构—性能关系；以SHapley Additive exPlanations(SHAP)解释模型，并辅以沃伦—考利(Warren–Cowley)参数刻画化学短程有序(CSRO)。

研究结果部分，PSO引导MD模拟用于数据生成与实验验证：研究人员以体模量191 GPa约为第75百分位作阈值，筛出高体模量成分，再约束Cr<11%、Mn<8%，归为低Mn低Cr、中Mn中Cr、高Mn高Cr三类，选出S1、S2、S3三组合成。pXRD显示均为单相面心立方(FCC)；硬度与杨氏模量随Mn、Cr降低和Co、Ni升高而提升，MD与实验呈定性一致，证明PSO引导MD可捕获相对性能趋势。1D-CNN模型性能：模型在训练/测试集对体模量、C₁₁、C₁₂、C₄₄、杨氏模量R²均高于0.937，USFE的R²约0.95、平均绝对误差小于6 mJ m^?2，说明原子级描述符可有效表达结构—性能关系。弹性性能的1D-CNN模型SHAP分析：Mn原子SHAP值多负，降低体模量；Co原子SHAP值正，增强体模量；Fe、Cr总体负向，Ni近零。双层层基数据增强(DAM1)比单层层基(DAM2)更能保留局域环境与短程有序，元素贡献更可区分。USFE的1D-CNN模型与SHAP分析：以(111)面18层、层9与10为层错层的一维编码训练，SHAP结合Warren–Cowley参数显示高体模量结构多低Mn(~0.05)、低Cr(~0.1)、高Co/Ni(>0.3)；|α_ij|=0.1内配对SRO对体模量无一致影响，Co–Co、Co–Ni、Ni–Ni近邻配对相互作用能最负、键合更强，利于结构稳定。

讨论与结论翻译：研究人员得出结论，PSO引导MD可作为MPEA设计引擎，在宽泛成分空间内生成高质量弹性与USFE数据集；1D-CNN加SHAP框架表明FeNiCoCrMn MPEA的体模量主要由成分而非CSRO驱动，Mn与Cr含量降低、Co与Ni含量升高可强化合金，Mn对体模量负贡献、Co正贡献。所选成分实验合成后均为单相FCC，硬度与杨氏模量优于等摩尔Mn₂₀Cr₂₀Co₂₀Fe₂₀Ni₂₀，计算与实验定性吻合。该集成工作流及原子尺度见解可推广至其他MPEA及非MPEA材料的设计，为物理模拟与可解释数据驱动方法结合提供范式。