《npj Computational Materials》：CALPHAD-based cross-system knowledge transfer for rapid discovery of high-performance Al–Mg–Zn alloys
编辑推荐：
本研究针对机器学习在小数据场景下材料设计泛化性不足的难题，提出一种融合相图计算（CALPHAD）、热力学特征工程与多目标优化的知识迁移框架，将2xxx、6xxx、7xxx系铝合金经验迁移至Al–Mg–Zn体系，实现高强塑性匹配合金快速筛选，新合金抗拉强度达569±12?MPa，延伸率14.9±0.3%，为高性能材料开发提供新范式。
基于CALPHAD跨系统知识迁移驱动的高性能Al–Mg–Zn铝合金设计与验证
在金属材料研发领域，铝合金因其轻质、可加工性强等特点，成为航空航天、新能源汽车等高端装备的关键结构材料。然而，传统试错法周期长、成本高，而新兴的机器学习（Machine Learning, ML）方法虽能加速材料发现，却在“小数据”场景下表现乏力——尤其是对于尚未充分探索的铝镁锌（Al–Mg–Zn）合金体系，缺乏足够训练数据导致模型泛化能力受限，难以精准指导成分设计。更棘手的是，材料性能往往由成分、温度、微观组织等多因素耦合决定，单纯依赖统计模型易忽略物理机制，使设计结果偏离实际需求。这一矛盾，正是制约新型高性能铝合金高效开发的核心瓶颈。
为解决这一问题，研究团队提出了一种创新思路：能否借助成熟合金体系的知识，通过物理机制引导的特征工程，“迁移”到未充分研究的Al–Mg–Zn体系中？他们在《npj Computational Materials》发表的论文中，给出了肯定的答案——通过融合相图计算（Calculation of Phase Diagrams, CALPHAD）方法与多目标优化算法，构建了兼具物理可解释性与小样本适应性的跨系统知识迁移框架，成功实现了Al–Mg–Zn合金高强度与高塑性的协同提升。
关键技术方法概览
研究首先整合CALPHAD与特征工程，构建关联强度与塑性的热力学描述符，完成从2xxx/6xxx/7xxx系铝合金到Al–Mg–Zn体系的知识迁移；随后耦合高通量CALPHAD计算与NSGA?II（Non-dominated Sorting Genetic Algorithm II）多目标遗传算法，高效锁定强度–延性帕累托前沿；最终通过实验制备与拉伸测试验证合金性能。
研究结果
热力学描述符构建与知识迁移
研究人员突破传统ML仅用成分作为输入的局限，利用CALPHAD方法提取与沉淀强化、固溶强化等机制相关的热力学变量——包括相组成比例、吉布斯自由能差、元素活度等，构建了具有明确物理意义的描述符集。这些描述符巧妙捕捉了成分与温度对微观组织演化的耦合影响，例如通过平衡相分数预测时效析出行为，通过固溶体稳定性反映变形能力。经特征选择后，团队成功将2xxx、6xxx、7xxx等成熟铝合金体系的强化规律“映射”至Al–Mg–Zn体系，显著提升了小数据场景下的模型预测精度。
NSGA?II驱动的多目标优化设计
为实现强度与塑性的平衡，研究引入NSGA?II算法，以极限抗拉强度（Ultimate Tensile Strength, UTS）和延伸率（Elongation）为双目标函数，在高通量CALPHAD计算的参数空间中进行并行寻优。该方法避免了单目标优化的片面性，快速收敛到帕累托最优解集，其中既包含高强低塑的强化型配方，也涵盖适中强度与高塑性的韧性方案，为不同应用场景提供了灵活的设计窗口。
实验验证与性能突破
通过优化结果指导，团队制备了两款典型Al–Mg–Zn合金并进行室温拉伸测试。结果显示：合金A实现极限抗拉强度472±7?MPa，延伸率达23.5±0.5%；合金B极限抗拉强度进一步提升至569±12?MPa，延伸率为14.9±0.3%。相较现有Al–Mg–Zn体系常规水平，两款合金均展现出优异的强塑性匹配，证实了CALPHAD描述符对力学性能关键控制因素的准确捕获。
结论与讨论
本研究提出的CALPHAD知识迁移框架，有效解决了小样本条件下机器学习模型泛化能力弱、物理可解释性差的痛点。其核心价值在于：一是通过热力学描述符将深层次物理机制融入数据驱动模型，使“黑箱”预测转变为机理透明、逻辑清晰的设计策略；二是通过跨系统知识复用，大幅降低对新体系大量实验数据的依赖，缩短研发周期；三是为多组分合金性能平衡提供了通用优化路径，可拓展至其他复杂材料体系。
这项工作不仅为Al–Mg–Zn合金的实际应用提供了具体高性能配方，更为材料基因组计划中的“理性设计”提供了方法论支撑——证明物理模型与智能算法的深度融合，是解锁新材料快速发现的关键钥匙。
