2025-07-14 | 대전=박희윤 기자

无需高温实验 以AI预测“最优合金”时代开启

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

韩国科学技术院(KAIST)研究团队成功以人工智能(AI)解决了以往只能通过高温实验获得的合金熔化特性问题。

KAIST于14日表示,新材料工程系洪承范教授研究团队与美国西北大学克里斯·沃尔弗顿(Chris Wolverton)教授团队开展国际共同研究,利用基于密度泛函理论(DFT·Density Functional Theory)的形成能(表示合金稳定程度的数值)数据,开发出可预测合金熔化时成分是否保持不变的高精度机器学习模型。

用于汽车和机械零部件等的钢合金一般经由高温熔化工艺制造。此时成分不发生变化而直接熔化的现象被称为“一致熔化(congruent melting)”。本研究通过提前预测合金熔化时彼此混合程度这一长期难题,为未来合金开发指明方向,因而备受关注。

研究团队将通过密度泛函理论计算的形成能与既有实验性熔化反应数据结合进行机器学习,学习了4536种二元化合物的熔化反应类型,并构建了预测模型。

在多种机器学习算法中,基于“XGBoost”的分类模型在判断合金是否易于混合方面精度最高,预测准确率约达82.5%。

研究团队还利用夏普利(Shapley)方法分析了模型的主要特征(feature),其中斜率变化大意味着在该成分下形成了能量上非常有利(即稳定)的状态,“形成能曲线的斜率变化(convex hull sharpness)”被证明是最重要的因子。

本研究最大的意义在于,无需高温实验也能预测材料的熔化反应倾向。这在高熵合金或超耐热合金等难以开展实验的材料领域尤为有用,未来还可扩展至复杂多组分合金的设计。

此外,AI模型得出的主要物理量与合金是否易变、是否稳定等实际实验结果高度一致。预计今后可广泛应用于各类金属材料开发及结构稳定性预测等。

KAIST洪承范教授表示:“本研究通过计算与实验数据以及机器学习的融合,展示了摆脱以往经验性合金设计方式、实现基于数据的预测性材料开发的可能性”,“今后若结合生成式模型、强化学习等最新AI技术,将开启自动设计全新合金的时代”。

新材料工程系博士生崔永宇作为第一作者参与的本研究,发表于美国物理学会(AIP·American Institute of Physics)出版的机器学习领域权威学术期刊《APL Machine Learning》5月号,并被选为“特辑论文(Featured article)”。

阅读韩文原文