npj：机器学习—高效逆向设计高性能铜合金

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

传统的基于经验和试错的设计、开发新材料的方法，效率低、周期长、成本高。随着材料数据的不断增加和机器学习技术的进步，从已有的材料数据中挖掘新的知识或建立新模型，以提高新材料研发效率，越来越受到科研工作者的重视，但这一途径仍困难重重。就合金快速、准确设计来说，如何解锁“成分-性能”之间隐式复杂关系，建立面向性能要求的多元复杂成分的设计，便挑战不断。

来自北京科技大学的谢建新研究团队，提出通过挖掘文献中大量关于高强高导铜合金成分与性能的数据，采用机器学习技术解锁“成分-性能”之间隐式复杂关系，建立基于数据驱动、面向性能要求的多元复杂铜合金成分快速准确设计的新方法。他们利用BP神经网络从文献中收集300组高性能铜合金成分和性能数据，建立了成分性能（C2P）和性能成分（P2C）两个模型；针对前者预测性能可靠性较高而后者可靠性较低的特点，用前者对后者的成分设计结果进行评价，建立成分设计是否合理的判据（即目标性能与预测性能的相对误差）。

作者设计了由建模与训练、成分设计和性能预测三个主要功能组成的机器学习合金设计系统（MLDS），可自动、快速筛选出较为合理的成分设计方案，突破了面向性能要求的合计成分设计难题。他们以抗拉强度600~950 MPa和导电率50% IACS为给定目标性能，进行6~7元引线框架用铜合金成分的设计。以3个与MLDS设计成分相近的文献合金、2个与MLDS设计成分相同或相近的作者所在实验室的合金为验证对象，分析了它们的性能（称为实验性能）与目标性能之间的符合度，发现二者之间具有令人兴奋的一致性。这一方法为更广泛的高性能金属材料成分高效、准确地机器学习设计，提供了新的思路。