团队近期成果--利用深度学习高效设计多组分高硬度高熵合金的框架
我们团队在《ACS Applied Materials & Interfaces》(IF: 8.3, 中科院二区)上发表论文“Deep Learning-Based Framework for Efficient Design of Multicomponent High Hardness High Entropy Alloys”。该论文上海大学计算机工程与科学学院为第一单位，韩越兴为第一作者，王慧为第二作者，刘轶为通讯作者。
在材料科学领域，高熵合金（HEAs）因其优异的性能而成为研究热点。 然而，在广阔的合金成分空间中寻找兼具创新性和可靠性的最优设计面临巨大挑战。 传统试错法效率低下，而单纯的数据驱动方法又难以保证设计的实用性能。 针对这一问题，我们提出了一种基于深度学习的框架，该框架将材料领域知识与数据驱动技术相结合，以优化多组分高硬度高熵合金的设计过程。
首先，我们开发了一个材料级联嵌入（MCE）模块，并将其与BiLSTM-CRF网络集成（MCE-BILSTM-CRF），自动分析了过去5年中发表的2698篇论文，提取了8067个数据点。 通过将材料领域知识融入数据分析，我们识别了高潜力元素和关键工艺条件，以指导机器学习数据集的设计和构建。 经过手动总结和整理目标文献，我们构建了一个包含13种元素的硬度数据集。 在此基础上，我们利用遗传算法（GA）和粒子群优化（PSO）相结合的两阶段设计策略来开发多组分高熵合金。 第一阶段探索合金体系，第二阶段优化成分比例，从而促进创新和性能提升。 我们的分析结合了SHAP特征重要性和皮尔逊相关系数（PCC），并辅以材料领域知识，以验证研究结果并指导合金系统的选择。最后，我们成功设计了三种不同于现有数据集的高熵合金且预测的平均相对硬度误差低于5%，最优合金的硬度仅比历史记录低38 HV。
