利用深度学习CALPHAD模型，加速了11种元素基Cr基A2+B2超级合金的发现过程

《npj Computational Materials》：Accelerated discovery of Cr-based A2+B2 superalloys across 11 elements with a deep-learning CALPHAD surrogate

　　

摘要

铬是一种适用于下一代难熔合金的理想材料，但其实际应用受到了室温脆性的限制。在这项研究中，我们提出了一种基于多准则的发现流程，用于筛选基于铬的A2+B2超合金。通过深度神经网络模型，我们可以准确预测合金的CALPHAD相分数和A2基体成分，模型在每个场平均根号均值平方误差方面的精度低于2个百分点，并实现了超过10,000倍的计算加速，从而能够在包含11个元素的合金设计空间中对超过10^8种组合进行热力学筛选。通过直接进行CALPHAD计算，对模型预测的可行组合进行了再次验证。实验结果表明：在所合成的8种合金中，有6种能够形成单相A2结构，3种在老化后形成了预期的A2+B2微观结构。这不仅凸显了加速筛选方法的潜力，也表明在接近A2–B2有序边界区域时，预测结果具有较高的敏感性。此外，我们评估了两个对筛选过程友好的指标：一个是位错强度模型，另一个是价电子浓度（VEC）。位错强度模型能够反映合金的整体强度特性，但无法体现成分对强度的影响，这表明螺杆位错的强化机制可能是当前模型未能充分考虑的因素。密度泛函理论计算表明，在富铬合金中，增加价电子浓度（VEC）可以通过提升费米能级d态密度（无论是通过能带刚性位移还是部分填充伪能隙）来增强合金的固有延展性。这些结果从电子结构角度解释了铬基合金中观察到的类似镍的延展性现象，并支持将VEC作为评估富铬A2相固有延展性的有效指标。