海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
传统的基于经验和试错的设计、开发新材料的方法，效率低、周期长、成本高。随着材料数据的不断增加和机器学习技术的进步，从已有的材料数据中挖掘新的知识或建立新模型，以提高新材料研发效率，越来越受到科研工作者的重视，但这一途径仍困难重重。就合金快速、准确设计来说，如何解锁“成分-性能”之间隐式复杂关系，建立面向性能要求的多元复杂成分的设计，便挑战不断。
来自北京科技大学的谢建新研究团队，提出通过挖掘文献中大量关于高强高导铜合金成分与性能的数据，采用机器学习技术解锁“成分-性能”之间隐式复杂关系，建立基于数据驱动、面向性能要求的多元复杂铜合金成分快速准确设计的新方法。他们利用BP神经网络从文献中收集300组高性能铜合金成分和性能数据，建立了成分→性能（C2P）和性能→成分（P2C）两个模型；针对前者预测性能可靠性较高而后者可靠性较低的特点，用前者对后者的成分设计结果进行评价，建立成分设计是否合理的判据（即目标性能与预测性能的相对误差）。作者设计了由建模与训练、成分设计和性能预测三个主要功能组成的机器学习合金设计系统（MLDS），可自动、快速筛选出较为合理的成分设计方案，突破了面向性能要求的合计成分设计难题。他们以抗拉强度600~950 MPa和导电率50% IACS为给定目标性能，进行6~7元引线框架用铜合金成分的设计。以3个与MLDS设计成分相近的文献合金、2个与MLDS设计成分相同或相近的作者所在实验室的合金为验证对象，分析了它们的性能（称为实验性能）与目标性能之间的符合度，发现二者之间具有令人兴奋的一致性。这一方法为更广泛的高性能金属材料成分高效、准确地机器学习设计，提供了新的思路。该文近期发表于npj Computational Materials 5: 87 (2019)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
A property-oriented design strategy for high performance copper alloys via machine learning
Changsheng Wang†, Huadong Fu†, Lei Jiang, Dezhen Xue & Jianxin Xie
Traditional strategies for designing new materials with targeted property including methods such as trial and error, and experiences of domain experts, are time and cost consuming. In the present study, we propose a machine learning design system involving three features of machine learning modeling, compositional design and property prediction, which can accelerate the discovery of new materials. We demonstrate better efficiency of on a rapid compositional design of high-performance copper alloys with a targeted ultimate tensile strength of 600-950 MPa and an electrical conductivity of 50% international annealed copper standard. There exists a good consistency between the predicted and measured values for three alloys from literatures and two newly made alloys with designed compositions. Our results provide a new recipe to realize the property-oriented compositional design for high performance complex alloys via machine learning.
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方