一种探索高熵合金相形成的端到端机器学习框架(英文)

作者：张惠然; 胡瑞; 刘茜; 李盛洲; 张光捷; 钱权; 丁广太; 戴东波

来源：Transactions of Nonferrous Metals Society of China, 2022, 1-19.

• 特征选择
• 高熵合金
• 机器学习
• 相预测
• Hume-Rothery规则

机器学习（ML）模型和输入特征的选择能帮助理解目标任务的内部规则，尤其是研究多种因素影响的高熵合金（HEAs）相形成。探索HEAs的相形成规则对于新型合金的设计具有明确的指导意义。本文提出一种端到端的框架用来从特征池和模型池中分别选择特征子集和ML模型。在该框架中，模型池中的模型基于其获得的特征重要性来选择适合自身的特征子集。通过评估每个模型和其对应的特征子集的拟合结果，用于建立目标任务的预测模型可确立。最终，本方法获得了影响HEAs相形成的四个重要因素。研究结果显示建立的相预测模型在进行HEAs的五种相类别预测任务上，测试准确度达到87.8%。并且通过分析模型发现当原子尺寸差异大于8.295%时，HEAs的单相固溶体的形成受到抑制。

• 单位
  之江实验室; 上海大学