相稳定性引导的可解释机器学习用于高熵合金力学性能预测与实验支持的候选筛选

《Frontiers in Materials》：Phase-stability-guided explainable machine learning for mechanical-property prediction and experimentally supported candidate screening of high-entropy alloys

　　

高熵合金（high-entropy alloys, HEAs）为开发兼具相稳定性与力学性能平衡的结构材料提供了广阔的组分空间。然而，由于合金化学、相组成、加工状态与模型不确定性强烈耦合，可靠的力学性能预测仍具挑战。研究人员开发了一种相稳定性引导的可解释机器学习（machine learning, ML）框架，使用了包含541个相标记HEA、263个硬度标记记录和214个屈服强度标记记录的策划数据库。层次化物理与加工描述符与通过成分级嵌套交叉拟合生成的泄漏控制相概率特征相结合。采用XGBoost与CatBoost模型进行性能预测，bootstrap集成进行不确定性量化，SHAP与累积局部效应进行模型解释。共筛选了300,000个虚拟候选，随后进行CALPHAD辅助评估与三个代表性合金的实验验证。相分类器总体准确率达到0.923。相引导性能模型对硬度与屈服强度的R²值分别为0.881与0.856。三个代表性候选的实验测量主相、硬度值与压缩屈服强度与模型预测总体一致，实验偏差适中。该框架整合了物理描述符、概率相信息、模型可解释性与不确定性感知筛选，为在广泛实验优化之前优先考虑有前景的HEA成分提供了一种可解释且实验支持的策略。

高熵合金（high-entropy alloys, HEAs）是具有多主元特征的金属材料，通常包含多种以接近等原子分数存在的主要元素，这拓宽了合金设计空间，可能带来强度、塑性、热稳定性、耐蚀性与功能特性的独特组合。然而，组分自由度也造成巨大挑战：即使仅考虑中等规模元素池，可能的非等原子成分数量也极为庞大，难以依靠试错实验高效探索。机器学习（machine learning, ML）可从异质文献与计算数据中学习成分-结构-性能关系，已成为加速HEA发现的重要工具。但现有研究仍存在三个突出问题：第一，相稳定性与力学性能常被分开建模，而相组成是连接合金化学与力学响应的关键物理中间变量；第二，HEA数据集稀疏、不平衡，且加工状态（铸造、均匀化、轧制、退火、增材制造）严重影响性能；第三，候选筛选往往仅基于预测性能，未充分考虑相稳定性、模型置信度、密度、元素成本与实验可行性。因此，亟需建立一种将相稳定性信息作为中间表示、并整合不确定性量化与可解释性的机器学习框架，以指导HEA成分的可靠筛选与实验验证。

研究人员构建了包含541个相标记HEA、263个硬度标记记录和214个屈服强度标记记录的策划数据库，提出了相稳定性引导的可解释机器学习框架。该框架将层次化物理与加工描述符同泄漏控制的相概率特征相结合，使用XGBoost与CatBoost集成模型进行性能预测，bootstrap集成量化不确定性，SHAP与累积局部效应（accumulated local effects, ALE）进行模型解释。研究人员筛选了300,000个虚拟候选，并结合CALPHAD辅助评估与三个代表性合金的实验验证。结果表明，相分类器总体准确率为0.923；相引导性能模型对硬度与屈服强度的R²分别达到0.881与0.856；三个候选的实验测量主相、硬度与压缩屈服强度与预测基本一致。该框架为在广泛实验优化之前优先筛选有前景的HEA成分提供了可解释且实验支持的策略，具有重要工程应用意义。

关键技术方法方面，研究人员从文献与补充数据构建了数据库，样本队列包括541个相标记HEA、263个硬度记录和214个屈服强度记录，元素池含Al、Co、Cr、Cu、Fe、Hf、Mn、Mo、Nb、Ni、Ta、Ti、V、W、Zr。方法上采用六个层次描述符（组成统计、原子失配、热力学稳定性、电子结构、弹性/强化指标、加工状态），通过成分级嵌套交叉拟合生成泄漏控制的相概率特征，避免属性验证/测试成分进入相模型训练。使用XGBoost与CatBoost集成（权重0.55/0.45）预测性能，bootstrap（100次）量化不确定性，SHAP与ALE进行模型解释。筛选后采用CALPHAD（Thermo-Calc 2024b，TCHEA7数据库）进行热力学一致性评估，并选取三个候选通过真空电弧熔炼制备，进行XRD、SEM/EDS、硬度与压缩试验验证。

5.1 相稳定性预测：通过非晶/晶体、固溶体（solid solution, SS）/金属间化合物（intermetallic, IM）、单相/双相、体心立方（body-centered cubic, BCC）/面心立方（face-centered cubic, FCC）四个分类任务评估，相分类器样本加权总准确率0.923，未加权平均任务准确率0.913；其中BCC/FCC任务性能最佳（准确率0.951，ROC-AUC 0.967），SS/IM任务最难（准确率0.874，宏F1 0.841）。文献中相标签的不确定性导致类间重叠，是SS/IM误差的主要原因。

5.2 力学性能预测：在泄漏控制嵌套协议下，相引导集成模型对硬度预测R²=0.881±0.019、RMSE=51.4±4.5 HV；对屈服强度R²=0.856±0.026、RMSE=151±16 MPa。与直接XGBoost/CatBoost基线相比，相引导模型在20次重复划分中多数取得更低RMSE（硬度17/20，屈服强度15/20），校正重采样检验p值分别为0.024和0.048，优势在泄漏控制后仍保留。

5.3 不同划分策略下的泛化：从随机划分、成分簇划分到留一合金系外划分，性能依次下降；但硬度和屈服强度在留一系外验证下Spearman相关仍为0.797和0.766，说明层次化描述符捕捉了可迁移的物理趋势，而非仅记忆合金系身份，但对远离训练成分家族的虚拟候选应降低排序置信度。

5.4 消融与相敏感性分析：去除相概率特征使硬度R²从0.881降至0.849，屈服强度从0.856降至0.817；去除加工特征对屈服强度影响更大；概率相表示优于硬相标签（硬度ΔR²=0.013，95% CI 0.003–0.023，p=0.036；屈服强度ΔR²=0.018，p=0.041）；加入噪声相概率会降低性能，表明相模型质量对下游回归重要。学习曲线随训练数据增加单调上升，表明无严重过拟合。

5.5 不确定性与误差关联及