机器学习在非晶合金逆向设计中的应用
摘要:逆向设计范式,通过构建从“性能需求”回溯至“材料结构”乃至“成分组成”的逆向映射关系,为突破材料传统研发模式提供了革命性思路。非晶合金因其优异力学性能和应用潜力在材料科学研究中备受关注,但其长程无序的原子排布与复杂的构效关系,致使传统试错法难以实现性能导向的精准设计。机器学习技术通过整合高通量计算、实验数据库和智能算法,构建多重特征到目标性能的预测模型,显著提升了非晶合金成分设计效率与可靠性。为加深对这一新兴交叉领域的理解,本文对近年来机器学习在非晶合金逆向设计方面的研究进展进行了系统综述。首先,简要介绍了机器学习驱动的材料设计框架。其次,探讨了高通量实验与主动学习协同挖掘关键特征的机制,以及全局优化策略在多目标性能平衡中的应用。再次,详细阐述了生成式模型在高维成分空间探索中的独特优势。最后,归纳了非晶合金逆向设计方面的研究成果与面临的挑战,并展望了未来发展方向。旨在为非晶合金设计提供系统性知识参考框架,促进新型材料研发体系的建立及应用拓展。
