根據應用環(huán)境需求，定制合金材料的成分及工藝，突破“試錯法”高成本、低效率的材料設計瓶頸，是材料科學(xué)家的終極夢(mèng)想。近20年來(lái)，合金成分由單主元傳統合金發(fā)展到多主元高熵合金，極大拓展了合金的成分空間。

如何從近乎無(wú)限的成分空間中高效篩選出具有特定性能的合金成分，是材料研究者所面臨的巨大挑戰。近年來(lái)，機器學(xué)習在材料的成分篩選和性能優(yōu)化中的應用發(fā)展迅速。中國科學(xué)院金屬研究所胡青苗研究員和楊銳研究員應Science期刊邀請，發(fā)表了題為《對更好合金的無(wú)盡尋索》的述評文章，對利用機器學(xué)習進(jìn)行材料篩選的研究現狀進(jìn)行了評論和展望。該述評文章于10月6日在線(xiàn)發(fā)表(Vol. 378, Issue 6615, pp. 26-27. )。 

機器學(xué)習方法一般利用人工神經(jīng)網(wǎng)絡(luò )，對現有成分-性能數據進(jìn)行訓練，快速獲得成分–性能關(guān)系，進(jìn)而篩選出具有目標性能的成分。機器學(xué)習的效率和精度依賴(lài)于用于訓練的成分–性能數據集。

相對于近乎無(wú)限的成分空間，已有的成分–性能數據往往相當稀少。因此，對機器學(xué)習算法進(jìn)行適當優(yōu)化和策略設計尤為重要。目前，機器學(xué)習方法在因瓦高熵合金、鐵電材料、壓電材料等的成分篩選中都有了較為成功的應用范例。

特別是德國馬普學(xué)會(huì )鋼鐵研究所Dierk Raabe課題組在最近一期Science上發(fā)表的研究工作，結合機器學(xué)習、第一性原理及熱力學(xué)計算和實(shí)驗驗證，高效地從百萬(wàn)種可能成分組合中篩選出17種Fe-Co-Cr-Ni及Fe-Co-Cr-Ni-Cu因瓦高熵合金。

述評文章指出，機器學(xué)習方法目前大多應用于功能材料的篩選。原因是這類(lèi)材料的目標性能主要決定于材料成分，對顯微組織并不敏感。然而，結構材料的力學(xué)性能如強度、韌塑性等不僅受成分影響，且具有高度的顯微組織敏感性，而顯微組織又決定于合金成分及制備工藝，這使得結構材料力學(xué)性能的影響因素錯綜復雜。

另一方面，實(shí)際應用中，往往同時(shí)對結構材料的多種性能有一定要求。這些因素大大增加了機器學(xué)習在結構材料設計中應用的難度。 文章最后總結，隨著(zhù)機器學(xué)習算法的發(fā)展、實(shí)驗數據的積累以及對成分–工藝–組織–性能關(guān)系機理理解的深化，有望實(shí)現面向指定性能需求的定制化材料成分及工藝優(yōu)化設計。