厦大+哈工大Nature子刊：AI加速新型钴基高温合金的发现

摘要：采用密度泛函理论(DFT)和机器学习(ML) 结合的方法来预测和分析合金中γ′关键相的稳定性，从而加速γ/γ′钴基合金的发现。该研究不仅旨在计算选定的三元和四元合金体系的形成（Hf）和分解（Hd）能，还旨在开发一种能够在更广泛的成分空间中快速筛选的预测模型，确

导读

采用密度泛函理论(DFT)和机器学习(ML) 结合的方法来预测和分析合金中γ′关键相的稳定性，从而加速γ/γ′钴基合金的发现。该研究不仅旨在计算选定的三元和四元合金体系的形成（Hf）和分解（Hd）能，还旨在开发一种能够在更广泛的成分空间中快速筛选的预测模型，确定了Co基合金具有表现出期望的γ′强化相的潜力。

高温合金是制造航空发动机中高温部件不可或缺的材料，镍基高温合金凭借其卓越的力学性能一直是航空发动机热端部件高温应用的支柱材料。然而，由于镍固有的熔点，镍基高温合金正在接近其工作温度极限，这给进一步提高发动机效率和性能带来了重大挑战。

近年来，一种新型γ/γ′ Co-Al-W合金的发现引发了研究者对钴基高温合金的极大兴趣，期望能够突破传统镍基高温合金的熔点限制。同时，机器学习（ML）技术的出现预示着材料科学进入了一个新时代。利用ML模型的预测能力和精确的密度泛函理论（DFT）计算的集成方法为发现新材料提供了更快、更有效的途径，这对于预测关键特性非常有利。

近日，厦门大学许伟伟教授和哈尔滨工业大学（深圳）刘兴军教授团队提出了将DFT计算与机器学习模型相结合的搜索方法，通过DFT计算的能量数据来构建模型，从而提取有关能量和γ'相关系的完整信息，寻找出更多潜在的合金体系。研究成果以题为“Facilitated the discovery of new γ/γ′ Co-based superalloys by combining first-principles and machine learning”发表于Nature子刊《NPJ Computational Materials》。EMTO计算时间成本低，在多组分合金体系的计算中具有独特的优势。

通过回归模型选择和特征工程，随机森林(RF)模型在形成能（Hf）预测中达到了98.07%的准确率，在分解能（Hd）预测中达到了97.05%的准确率。

利用训练良好的RF模型，预测了在Co-Ni-Fe-Cr-Al-W-Ti-Ta-V-Mo-Nb体系中超过150,000种三元和四元γ′相的能量。能量分析显示，Ni、Nb、Ta、Ti和V的存在显著增强了γ'相的稳定性，而Mo和W则通过增加Hd降低了其稳定性。其中，尽管Al降低了Hf ，却增加了Hd，因此对γ′的稳定性不利。

通过基于领域知识的筛选，从超过150,000种成分中确定了1 049种有前途的可能形成稳定γ′相的成分候选物，主要分布在11个含铝和25个非铝合金体系中。结合相图优化与计算（CALPHAD）方法的分析，合成了两种具有γ/γ′双相显微组织的新钴基合金，其γ' 相即使在高温和长期时效处理下也能保持稳定，验证了理论预测模型的可靠性。