香港城市大學趙仕俊團隊Current Opinion in Solid State & Materials Science：機器學習方法在高熵陶瓷材料方面的應用綜述

【招生】

論文通訊作者趙仕俊團隊長期招收計算材料和機器學習方向的博士生，歡迎優秀學生聯系 shijzhao@cityu.edu.hk。點此（https://scholars.cityu.edu.hk/en/persons/shijun-zhao(b956b94f-a138-4df9-880b-f82528cb3ecb).html#opennewwindow）了解趙老師。

【引言】

傳統陶瓷因其易于制造，是人類最早使用的材料之一，其中碳化物、硼化物和氮化物現已被廣泛應用于金屬切割和熱電保護層等。現代社會對新型陶瓷材料提出了更高的要求，例如，下一代核能技術的服役條件將更為苛刻（高溫、高壓和強輻照），用于其中的核用陶瓷材料需要能夠承受這些極端環境。為了達到新興技術對陶瓷材料更高的要求，研究者不僅需要優化傳統陶瓷材料，更需要提出全新的材料設計方法。為此，高熵陶瓷材料提供了一個廣闊的新材料理性設計平臺。近年來，該類材料受到了學界的廣泛關注。然而，如果僅靠傳統的試錯法，高熵陶瓷背后巨大的相空間將嚴重阻礙高性能陶瓷材料的開發與探索。為此，研究者可以借助機器學習這個有力工具加速高熵陶瓷的設計和篩選。

近日，香港城市大學趙仕俊團隊（通訊作者）綜述了機器學習在高熵陶瓷領域內的應用。作者首先總結了該領域機器學習的通用流程。然后，文章強調了現階段數據集產生的窘境：缺乏高質量數據集。而后，作者重點討論了該領域機器學習模型的特征工程方法，包括特征選擇與輸入特征的預處理，緊接著討論了模型的泛化、解釋和遷移。作者進一步總結了近些年發表的用于設計高熵陶瓷材料的機器學習模型。最后，作者提出了現階段高熵陶瓷機器學習模型的挑戰，并展望了機器學習在該領域內未來的發展方向。相關內容以“Rational design of high-entropy ceramics based on machine learning – A critical review”為題發表在知名期刊《Current Opinion in Solid State & Materials Science》。

【圖文導讀】

圖 1 應用于設計高熵陶瓷材料的機器學習工作流程。

高熵陶瓷機器學習流程主要包括數據集收集、特征工程、模型訓練與選擇、模型部署、實驗驗證和數據集補充。若使用非經驗輸入特征，可跳過特征工程步驟。

圖 2?三種獲得輸入特征的方法。

高熵陶瓷描述符（特征）可以根據其獲取的難易程度分為三類。第一類為非經驗特征，如獨熱碼。該類特征不包含陶瓷材料的物理特性。第二類為原子/前驅體特征。該類特征不需要額外的實驗與模擬即可獲取，但包含一定的物理意義。第三類為通過實驗或模擬獲得的特征信息。該類特征成本高昂，不適合用來作為輸入，而可以用來作為模型的輸出。

圖?3?熵形成能力（EFA）強弱示意圖。

EFA值越大，說明不同構型的準基態能量越相近，體系越容易達到不同構型。因此，體系中的原子排布越趨向于隨機。

圖 4?價電子濃度（VEC）與彈性常數C44、硬度和G/B比值的關聯。

對于非高熵體系（金屬元素種類低于三），陶瓷材料的價電子濃度與材料的各項性能高度相關。如彈性常數、硬度和G/B比值均隨VEC的增加而降低。

圖 5?五折交叉驗證、過擬合和模型高精度預測區域（模型舒適區）的示意圖。

由于缺乏高質量數據庫，已發表文章使用的數據集通常比較小。在這種情況下，數據集分割可能對模型的訓練及預測產生比較顯著的影響。為此，現有高熵陶瓷機器學習往往采用交叉驗證的方法訓練模型。在訓練過程中，訓練損失將隨著迭代輪數的增加而降低，而驗證損失一般高于訓練損失。二者之間的差值是由過擬合導致的。由于數據集在相空間中的分布不均一，模型對各個組分的關注程度也不同。因此，訓練好的模型往往存在一個“舒適區”，在“舒適區”內，模型表現良好；而在該區域外，應當審慎地理解模型預測結果。

圖 6?用于預測高熵陶瓷材料單相穩定性的機器學習模型。

圖 7?用于設計高熵陶瓷材料的深度學習模型。

【展望】

建立高質量共享數據庫

無監督學習

多功能機器學習模型

機器學習逆向設計

可解釋機器學習模型

機器學習結合的高通量實驗

文獻鏈接：

“Rational design of high-entropy ceramics based on machine learning – A critical review”（https://doi.org/10.1016/j.cossms.2023.101057）