机器学习（ML）作为人工智能（AI）的分支之一，其目的是根据历史数据和情况来训练模型。由于它能够在不知道潜在的物理机制的情况下从可用数据中获得性能和趋势，ML已经开始在材料科学中发挥重要作用。此外，已经建立的ML模型也可以再次用于材料的发现和设计。ML技术在材料研究中如预测钢疲劳强度、预测合金的物理和机械性质领域成为成功的应用案例。

美国橡树岭国家实验室Dongwon Shin教授团队创新性的将高度相关的物理学耦合到ML模型中以预测多相和多组分高温合金性能。相关研究结果以题为“Coupling physics in machine learning to predict properties of high-temperatures alloys Corrosion resistance enhancement of CoCrFeMnNi high-entropy alloy fabricated by additive manufacturing”发表在Nature子刊npj Computational Materials上。

原文链接：https://doi.org/10.1038/s41524-020-00407-2

01 摘要

高温合金设计需要同时考虑多种不同尺度的机制。本文提出了一个新方法将高度相关的物理学与机器学习（ML）相结合，以9~12 wt％Cr钢的屈服强度为例来预测复杂的高温合金性能。将合成合金特征纳入数据集，捕获微观结构和相变。通过相关分析发现了影响9Cr屈服强度的高冲击特征，与公认的强化机理一致。作为验证过程的一部分，针对温度对子数据集的一致性进行了广泛的评估，然后针对经过训练的ML模型的边界条件进行了完善。使用ML模型预测的9Cr钢的屈服强度与实验非常吻合。当前的方法在询问ML模型时引入了物理上有意义的约束条件，可准确预测应用于数据驱动材料的假设合金的性能。

02 文章附图

图1 9Cr数据集中的特征 9Cr数据分析中考虑的合金特征。1/2组是原始实验数据，3/4组是计算的合成合金特征。该数据集涵盖了从室温到800°C的数据，温度旁边的括号中的值表示每个温度下的数据点数

图2.基于相关性分析的机器学习准确性。 以原始实验数据（成分，处理和测试条件以及PAGS）为函数的五个训练过的ML模型（BR贝叶斯岭回归；LR线性回归；NN最近邻；RF随机森林；SVM支持向量机）的准确性 整个9Cr数据集中排名最高的要素的数量。每个模型的超参数最多可进行150次迭代以获得最佳参数。每个模型接受十次训练以确定平均准确度及其标准偏差。

图3.不同温度下子集数据的相关性分析。所有特征（组成，加工和测试条件，微观结构和相变温度，请参见表1）与选定代表温度下的屈服强度之间的相关性分析结果。给出了200°C（低温），550°C和650°C（中至高温）以及750°C（高于使用温度）的45个特征中前10个和后10个特征的相关系数。

图4.各个温度子数据集的ML性能。根据MIC和b PCC分析得出的经过训练的ML模型（以随机森林为例）的精度与温度和顶级特征数的关系。对模型进行了十次训练，以确定平均准确度及其标准偏差（误差线）。每个模型的超参数最多可进行150次迭代以获得最佳参数。垂直虚线指示从哪里开始出现数据不足和相关功能的问题。

图5.截断（≤650°C）数据集中所有合金特征与屈服强度之间的相关性分析。  a来自MIC的排名前20位的特征和| PCC |来自的相应特征，以及b来自PCC分析的前10名和后10名特征。

图6. ML性能与排名最高的功能数量的关系。五个经过训练的ML模型（BR贝叶斯岭回归；LR线性回归；NN最近邻；RF随机森林；SVM支持向量机回归）在预测屈服强度方面的准确性。这些模型接受了高通量计算中合成的合成特征的训练，这些特征是截断的数据集（≤650°C）中排名最高的特征的数量的函数。每个模型的超参数最多可进行150次迭代以获得最佳参数。每个模型经过十次训练，以确定平均准确度及其标准偏差（误差线）。

图7.具有MIC和PCC分析的前10个特征的具有随机森林（RF）的9Cr钢的实验屈服强度与预测屈服强度。  MAE代表平均绝对误差（MAE）。

图8.实验和预测的具有随机森林（RF）的9Cr钢的PAGS，具有MIC和PCC分析的前10个特征。  MAE代表平均绝对误差（MAE）。