本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
经过事实检查
校对
在最近发表在《Engineering》杂志上的一项研究中，来自北京科技大学、广东海洋大学和 AiMaterials Research LLC 的科学家展示了一种新方法，可以加速发现针对特定用途而优化的难熔高熵合金 (RHEA) 成分。
这项题为“具有最佳强度和延展性的难熔高熵合金的机器学习辅助成分设计”的研究概述了机器学习 (ML)、遗传搜索、聚类分析、采用实验设计来筛选数十亿种可能的成分，并找出那些具有优异机械性能的成分。
Turab Lookman 和 Yanjing Su 领导的研究团队通过严格的迭代合成并测试了 24 种不同的合金成分。过程涉及六个反馈循环。他们的努力产生了四种组合物，表现出卓越的高温屈服强度和室温延展性。其中，ZrNbMoHfTa合金体系，特别是成分Zr0.13Nb0.27Mo0.26Hf0.13Ta0.21，在1200℃下的屈服强度接近940 MPa，室温断裂应变为17.2%，表现突出。
ZrNbMoHfTa合金的卓越性能标志着材料科学的重大进步。其在 1200 C 时的屈服强度超过了以前的 RHEA 和传统镍基高温合金，后者通常仅限于较低的温度。这一增强为高温结构应用开辟了新的可能性，包括燃气轮机、航空航天推进系统和核反应堆。
机器学习与传统合金设计方法的集成使研究人员能够快速识别和优化以前无法想象的组合。这一突破不仅解决了现有材料的局限性，还为高温合金设立了新标准。
研究人员的方法代表了范式转变通过有效管理 RHEA 的巨大组成空间并同时解决多个性能目标，在材料设计中发挥了重要作用。通过利用机器学习算法，该团队能够以前所未有的准确性和效率预测合金特性，克服了有限数据和复杂优化任务等常见挑战。
该研究还强调了结合多目标优化的重要性(MOO) 技术来平衡各种材料特性，包括强度、延展性和抗氧化性。所提出的框架对其他合金系统的适应性表明了其在不同应用和行业中彻底改变材料设计的潜力。
虽然当前的研究取得了显着的成果，但研究人员强调，仍有改进的空间和进一步探索。未来的工作将侧重于集成其他元素以增强抗氧化性等特性，并完善机器学习模型以管理不确定性并提高预测准确性。该研究还强调需要有效的选择策略，例如聚类分析，以优化实验和计算成本。
“这项研究的成功为材料创新开辟了新的途径，”《工程。“随着研究科学家不断完善他们的方法并探索新的成分，我们预计高温合金将取得更大的进步，从而改变广泛的工程应用。”
该论文由程文撰写，张岩，王昌新，黄海友，吴元，Turab Lookman，苏燕京。
更多信息：程文等人，具有最佳强度和性能的难熔高熵合金的机器学习辅助成分设计延展性，工程（2024）。DOI：10.1016/j.eng.2023.11.026
工程提供