机器学习在合金研究中的应用：从哈密顿模型构建到材料性能预测

在美国海军研究办公室的资助下，杨百翰大学、约翰霍普金斯大学和杜克大学合作审查合金研究的机器学习方法。

机器学习方法广泛应用于合金材料研究领域。第一个是构建合金的哈密顿模型。虽然常用的量子力学方法如密度泛函理论可以建立精确的原子模型，但随着材料中原子数量的增加，计算复杂度变得太大而无法使用。机器学习方法可以根据大量现有的材料结构和密度泛函计算结果来学习对应关系并预测合金性能。与密度泛函计算相比，计算量大大减少，但预测精度接近。目前，机器学习方法可以预测合金材料的成分。可以预测的材料类型包括金属玻璃、高熵合金、形状记忆合金、高温合金、催化合金和磁性合金。机器学习方法在合金加工、力学和热性能研究中的应用包括：合金加工、构建现象-性质关系，例如预测合金钢的冷轧力；机械性能，根据第一性原理数据、磨损、疲劳和其他性能预测硬度、韧性和强度；热性能，预测熔化温度、导热系数、振动能量等。未来机器学习在合金材料研究领域的应用包括独立材料设计、复杂系统预测、原子模拟等。

本研究回顾了机器学习在合金材料领域的应用，提出了未来的应用方向，对机器学习在其他材料领域的应用具有参考价值。

论文：合金的机器学习