チームの最近の成果：深層学習に基づく多成分高硬度高エントロピー合金の効率的設計フレームワーク
私たちのチームは、論文 “Deep Learning-Based Framework for Efficient Design of Multicomponent 高硬度高エントロピー合金の効率的設計のためのディープラーニングに基づくフレームワーク」を発表した。 上海大学コンピューター工学科が筆頭著者となり、Yuexing Hanが第一著者、Hui Wangが第二著者、Yi Liuが対応著者となった。
材料科学の分野では、高エントロピー合金（HEA）がその優れた特性から注目の研究テーマとなっている。しかし、膨大な合金組成の中から革新性と信頼性を兼ね備えた最適設計を見出すことは、大きな課題に直面している。従来の試行錯誤的な手法は非効率的であり、純粋にデータ駆動的な手法では設計の実用的な性能を保証することは困難である。この問題に対処するために、我々は、多成分、高硬度、高エントロピー合金の設計プロセスを最適化するために、材料ドメインの知識とデータ駆動技術を組み合わせたディープラーニングベースのフレームワークを提案する。
まず、Materials Cascade Embedding (MCE)モジュールを開発し、BiLSTM-CRFネットワーク(MCE-BILSTM-CRF)と統合して、過去5年間に発表された2,698の論文を自動的に分析し、8,067のデータポイントを抽出した。データ分析に材料分野の知識を取り入れることで、機械学習データセットの設計と構築の指針となる、可能性の高い要素と重要なプロセス条件を特定した。対象となる文献を手作業で要約・照合した後、13の要素を含む硬度データセットを構築した。これに基づいて、遺伝的アルゴリズム（GA）と粒子群最適化（PSO）を組み合わせた2段階の設計戦略を活用し、多成分の高エントロピー合金を開発した。第一段階では合金システムを探索し、第二段階では成分比率を最適化することで、技術革新と性能向上を促進する。我々の分析では、SHAP特徴の有意性とピアソン相関係数（PCC）を組み合わせ、材料分野の知識によって補完し、発見を検証して合金系の選択を導く。 最終的に、既存のデータセットとは異なる3種類の高エントロピー合金の設計に成功し、平均相対硬度誤差を5%未満に予測することができました。
