Nature | 机器学习设计高强韧FeNiCoAlTa合金

    大家好，今天给大家分享一篇最近发表在Nature上的文章，题目为Machine-learning design of ductile FeNiCoAlTa alloys with high strength。文章的通讯作者是来自西安交通大学的马恩、孙军和张金钰教授。

    超高强度金属合金是应对极端工况结构设计的核心需求材料，然而这类材料通常加工硬化能力不足，无法兼具高强度和高韧性。近期，高/中熵合金(HMEA)引起研究者的兴趣，其为多种主要元素形成的复杂合金，然而现有HMEA的性能尚未超越目前最先进的钢材，同时高强韧HMEA材料仍有待发现。本文中，作者在主动学习(active learning)策略中引入领域知识(domain-specific knowledge)和，通过迭代、优化步骤，设计合成了Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃合金。该合金兼具高强度和高韧性，实现了高熵合金(HEA)材料力学性能的突破。

    如图1所示，作者采取基于领域知识的机器学习策略，用于寻找高强韧HEA材料。该迭代策略分为六步：(1) 收集训练集；(2) 引入物理特征描述符；(3) 机器学习模型训练；(4) 利用领域知识，缩小虚拟空间；(5) 基于效用函数设计合金；(6) 实验表征和反馈。作者在其中引入的领域知识包括：(1) 最大化原子尺寸错配可实现显著的固溶强化；(2) 在高体积分数下，高溶解性和高扩散能力溶质(如金属Al)倾向于形成纳米沉淀相，进而形成L1₁共沉淀相以增强材料性能；(3) 高Al浓度将促进形成一定比例的可延展性B2非共晶格微沉淀相，有助于发生位错滑移，提高合金可塑性。基于该迭代策略，作者在第三代结果中得到了屈服强度σ_y最高的Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃合金，并将其命名为HEA05。

图1. 基于领域知识的机器学习策略流程和结果示意图。

    如图2所示，作者表征了HEA05合金的结构组成。作者成功在基体中引入两类强化相：(1) 高密度分布的L1₂共格纳米多组元金属间化合物颗粒(MCIP)；(2) 低模量、高硬度、可变形的B2非共格微米MCIP。扫描透射电子显微镜(STEM)表明，L1₂纳米MCIP呈现近球体并均匀分布在晶粒内部，而B2微米MCIP分布在面心立方(FCC)相基体的间隙中。三维原子探针(APT)表征发现，Ta、Al和Ni元素组成L1₂纳米MCIP，Al和Ni元素组成B2微米MCIP，Fe和Co元素主要分布在FCC相中。

图2. HEA05合金的微结构特征和组成分布

    如图3所示，作者表征了HEA05的力学性质。HEA05的均匀伸长率ε_u可达25%，σ_y可达1.75 GPa，极限拉伸强度σ_UTS可达2.4 GPa，已经超越目前最先进的钢材。

图3. HEA05合金的力学性质

    如图4所示，作者揭示了HEA05合金具有高强度和极强加工硬化能力的机制。广泛分布的L1₂纳米MCIP和B2微米MCIP通过固溶强化FCC相基质，使得HEA05合金具有极高的屈服强度。此外，B2相的存在显著降低了化学有序能和位错应变能，由此提高了应变下几何必要位错(geometrically necessary dislocation, GND)密度，因此HEA05具有极强的延展性。

图4. 拉伸应变下HEA05合金的位错密度演化图

    总结来说，作者采取基于领域知识的主动学习策略，开发了兼具高硬度和高延展性的高熵合金HEA05。与目前最先进的钢材相比，该材料在力学性能上实现了超越。文章的亮点在于，作者向机器学习模型中引入领域知识，这大大缩小了虚拟空间，提高了模型的学习效率，因此在第三代迭代中便能得到最优的结果。这一主动学习策略也有望进一步应用于其他合金体系中，为相关材料的设计开发提供了新的研究范式。

作者：CHR  审校：ZHS

DOI: 10.1038/s41586-025-09160-2

Link: https://www.nature.com/articles/s41586-025-09160-2