突破等原子比限制：知识增强AI框架驱动的功能导向单相高熵合金设计

《npj Computational Materials》：Breaking equiatomic constraints: knowledge-enhanced AI framework for function-oriented single-phase high-entropy alloy design

传统高熵合金（HEA）的等原子或近等原子设计范式限制了对单相固溶体空间的探索，导致许多非等原子成分被忽视。为解决这一问题，研究人员将物理引导的机器学习与大型语言模型（LLM）智能体相结合，开发了一个知识增强AI框架，用于探索突破等原子比约束的合金成分。该框架成功预测了面心立方（FCC）和体心立方（BCC）结构，并实验验证了两种具有优异性能的非等原子合金。其中一款合金在900 °C下表现出自限性的氧化动力学。这项研究为在高维成分空间中进行智能HEA设计提供了一种数据高效的方法。

　　

在极端环境中，材料往往面临着高温、高压、强腐蚀等多重严峻挑战。传统的合金设计思路，通常是围绕一种或两种主要金属元素进行优化调整。然而，高熵合金（High-Entropy Alloy, HEA）的出现打破了这一惯例，它将多种主要元素以大致相等的比例混合，形成成分复杂的固溶体。这种独特的“鸡尾酒”效应赋予了高熵合金一系列卓越的性能，如高强度、高硬度、出色的耐腐蚀和抗辐照能力，使其在航空航天、核能和先进制造等领域展现出巨大潜力。然而，当前高熵合金的研究与开发也面临着一个显著的瓶颈：为了形成稳定的单相固溶体，绝大多数研究都局限于等原子比或近等原子比的设计范式。这就像在一片广阔的海洋中，只允许探索靠近海岸的一小片水域，而将成分比例各异、可能蕴藏着更优性能的广阔深海区域排除在外。这种自我设限，严重阻碍了高熵合金成分空间的充分探索和性能的进一步突破。那么，能否找到一条新的路径，突破等原子比的束缚，在更广阔的非等原子成分空间中，精准、高效地设计出具有特定功能（如优异抗氧化性）的高性能单相高熵合金呢？这正是发表在《npj Computational Materials》上的研究“Breaking equiatomic constraints: knowledge-enhanced AI framework for function-oriented single-phase high-entropy alloy design”旨在回答的核心问题。

为了回答上述问题，研究团队采用了一种融合了多学科知识的创新性方法。其核心是一个知识增强的人工智能（AI）框架。该框架主要整合了两种关键技术：首先是物理引导的机器学习。研究人员并非盲目地进行数据挖掘，而是基于材料科学基本原理，构建了能够描述合金成分与结构之间内在联系的物理描述符。利用这些描述符训练机器学习模型，使其能够高精度地预测未知成分合金会形成面心立方（Face-Centered Cubic, FCC）还是体心立方（Body-Centered Cubic, BCC）晶体结构。其次是大型语言模型代理的运用。研究利用大型语言模型（Large Language Model, LLM）强大的自然语言处理和知识推理能力，来理解和分析复杂的材料科学机理（如高温氧化过程），并据此指导新合金成分的设计，特别是针对抗氧化性能的优化。这种方法将数据驱动与知识驱动相结合，旨在实现更智能、更目标明确的高熵合金设计。

研究结果

物理引导的机器学习实现高精度相结构预测

通过使用基于物理原理的描述符来训练机器学习模型，研究在预测合金相结构方面取得了极高的准确率。具体而言，模型对于面心立方（FCC）和体心立方（BCC）相的预测F1分数分别达到了0.96和0.94。这表明该模型能够非常可靠地区分不同成分合金可能形成的晶体结构，为后续的非等原子成分筛选奠定了坚实基础。

实验验证非等原子合金的相预测可靠性

基于模型的预测，研究团队设计并实验合成了两种显著偏离等原子比的合金成分：Al₂₈Cr₂₂Fe₂₆Ni₁₅Mo₉（预测为BCC相）和Co₂₃Cr₁₅Fe₂₅Ni₃₁Mo₆（预测为FCC相）。实验分析结果证实了预测的准确性，两种合金分别形成了预期的BCC和FCC单相固溶体。这一结果有力地证明了，在研究的成分域内，所开发的AI框架能够可靠地预测非等原子合金的相组成，成功突破了传统等原子比设计的限制。

LLM引导设计出具有优异抗氧化性能的合金

为了进一步展示框架的功能导向设计能力，研究人员利用大型语言模型（LLM）对高温氧化机制进行推理分析。基于此，设计出了一款新型六元合金：Co₂₂Cr₂₄Fe₂₀Ni₂₅Mo₅Mn₄。对该合金在900 °C下的氧化行为测试表明，其在50-100小时内的稳态氧化速率常数低至1.41 × 10^?8mgⁿcm^?2nh^?1(n = 45.35)。如此低的氧化速率常数是自限性氧化动力学的典型特征，意味着合金表面能迅速形成一层致密的保护性氧化膜，从而极大地减缓进一步的氧化侵蚀。

优异抗氧化性的机理分析

性能测试证实了合金的卓越抗氧化性，而微观机理研究揭示了其背后的原因。通过分析氧化后的合金表面，研究人员发现其形成了一层稳定的双层氧化膜尺度结构。该结构由内层的Cr₂O₃和外层的(Mn,Fe)Cr₂O₄尖晶石复合氧化物组成。这种独特的双层结构通过一种“协同屏障-缓冲”保护机制发挥作用：内层的Cr₂O₃作为主要扩散屏障，有效阻挡了氧离子向内和金属离子向外的扩散；而外层的(Mn,Fe)Cr₂O₄则能缓冲由于热膨胀系数差异引起的应力，并进一步抑制挥发物的形成，从而共同确保了氧化膜在高温下的长期稳定性与保护效果。

结论与讨论

本研究成功开发并验证了一个知识增强的AI框架，用于实现功能导向的单相高熵合金设计。该框架的核心贡献在于打破了长期制约高熵合金探索的等原子比设计范式，将搜索空间拓展至更广阔的非等原子成分区域。通过整合物理引导的机器学习与大型语言模型智能体，该框架不仅能够高精度地预测合金的相结构（FCC/BCC），还能基于对特定性能（如抗氧化性）机制的理解，进行有针对性的成分设计。实验结果表明，框架预测的非等原子成分能够形成稳定的单相固溶体，并且通过LLM引导设计出的Co₂₂Cr₂₄Fe₂₀Ni₂₅Mo₅Mn₄合金展现出了卓越的高温抗氧化性能，这归因于其表面形成了具有协同保护作用的Cr₂O₃/(Mn,Fe)Cr₂O₄双层氧化膜。

这项工作的重要意义在于，它提出了一种数据高效、智能化的材料研发新范式。它不再依赖于大量的试错实验或局限于狭窄的成分窗口，而是将领域知识、数据科学和人工智能推理深度融合，从而能够在高维、复杂的成分空间中，更快速、更精准地发现具有目标性能的新材料。这为高性能高熵合金，特别是为应对极端环境（如航空航天发动机、核反应堆部件）而设计的合金，提供了强有力的理论工具和设计方法，有望加速先进合金材料的发现与应用进程。