图1。元素间相似性的可视化。a–d，相似矩阵MASMI16 (a)、MCALPHAD (b)、MAFLOW (c)和MLTVC (d)的热图。每个矩阵元素都是对应元素对的相似质量函数分配给sim子集{相似}的概率质量。这些矩阵元素表示从相应元素对的相似性数据中学习到的可信度。置信程度用色标条来表示。E–h，所有E的分级聚类结构，使用分级凝聚聚类和MASMI16 (e)、MCALPHAD (f)、MAFLOW (g)和MLTVC (h)数据集构建。蓝色、绿色和灰色区域分别表示没有相似证据的早期和晚期过渡金属和元素组。信用:来自JAIST高熵合金的Hieu-Chi Dam具有理想的物理和化学性能，例如高抗拉强度、耐腐蚀性和抗氧化性，这使得它们适用于广泛的应用。HEAs是一个新的发展，其合成方法是一个活跃的研究领域。但是在合成这些合金之前，有必要预测会产生HEA效应的各种元素组合，以便加快和降低材料研究的成本。这样做的方法之一是归纳方法。归纳方法依赖于理论导出的“描述符”和从实验数据拟合的参数来表示特定元素组合的合金并预测它们的形成。由于依赖于数据，这种方法只能和数据一样好。然而，关于HEA形成的实验数据经常是有偏差的。此外，不同的数据集可能无法直接进行集成比较，这使得归纳方法具有挑战性，并且在数学上很困难。
这些缺点导致研究人员开发了一种新的基于证据的物质推荐系统(ers)，它可以预测HEA的形成，而不需要物质描述符。在《自然计算科学》杂志上发表的一项合作工作中，来自日本高级科学技术研究所(JAIST)、日本国家材料科学研究所、日本国家高级工业科学技术研究所、日本HPC SYSTEMS Inc .和法国Compiègne技术大学的研究人员引入了一种方法，该方法将材料数据合理地转化为关于材料成分之间相似性的证据，并结合这些证据得出关于新材料特性的结论。
关于他们解决这一问题的新方法，Hieu-Chi Dam教授说，“我们开发了一个数据驱动的材料开发系统，该系统使用证据理论从多个数据源收集有效材料成分的合理证据，即表明未知成分存在可能性的线索，并基于该证据提出新材料的成分。”
他们的方法的基础如下:现有合金中的元素最初被化学性质相似的对应元素取代。新取代的合金被认为是候选材料。然后，收集到的关于材料成分相似性的证据被用来得出关于这些候选材料的结论。最后，新取代的合金排名推荐一个潜在的HEA。
研究人员用他们的方法推荐了铁钴基高温合金，因为它们在下一代高功率器件中有潜在的应用。在所有可能的元素组合中，他们的方法推荐了一种由铁、锰、钴和镍(FeMnCoNi)组成的合金作为最有可能的HEA。以此信息为基础，研究人员成功合成了Fe0.25Co0.25 Mn0.25Ni0.25合金，证实了他们方法的有效性。
新开发的方法是一个突破，并为合成各种材料铺平了道路，而不需要材料属性的大型和复杂数据集。正如达姆教授解释的那样，“我们的系统不会强行合并来自多个数据集的数据，而是理性地将每个数据集视为证据来源，并结合证据合理地得出推荐HEA的最终结论，在那里可以定量评估不确定性。”
在推进功能材料研究的同时，达姆教授和他的团队的发现也是对计算科学和人工智能领域的一个值得注意的贡献，因为它们以数据驱动的方式降低了决策中不确定性的定量测量。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
