印度高校联手英国开发无关键金属ML合金框架

突破关键原材料依赖的新路径

在全球制造业面临供应链脆弱性和资源稀缺性双重挑战的背景下，材料科学领域迎来重大突破。由印度理工学院古瓦哈提分校牵头，联合伦敦南岸大学、曼彻斯特大学和利兹大学的研究团队，成功构建了一套基于机器学习的先进金属合金设计框架。该框架的核心创新在于能够设计出高性能合金，同时完全规避对关键原材料（CRMs）的依赖。这一成果为航空航天、燃气轮机和核能等高端制造领域提供了可持续的材料解决方案，有效降低了对脆弱全球供应链的依赖风险。

传统合金设计长期依赖关键原材料如钽、铌、钨和铪等，这些材料不仅成本高昂，且开采过程对环境造成巨大压力。近年来，高熵合金（HEAs）因其由多种金属近乎等比例组成而备受关注，展现出优异的高温强度和稳定性。然而，许多高性能高熵合金仍严重依赖关键原材料。研究团队通过机器学习技术，成功开发出无需这些关键原材料的多主元合金，为行业提供了新的技术路径。

机器学习驱动的材料设计革命

该研究团队构建的机器学习框架采用了独特的设计思路。他们首先将关键原材料按供应风险、经济重要性和全球可用性分为三个等级，然后建立了包含3,608种合金成分的数据库，专注于不含关键稀缺元素的简单合金体系。在模型选择上，Extra Trees Regressor模型在预测维氏硬度方面表现最优，结合受自然过程启发的优化技术，成功搜索出无关键原材料且具有高硬度的合金成分。

研究团队识别出一种新型Ti₀.₀₁₁₁NiFe₀.₄Cu₀.₄合金，预测其维氏硬度超过480 HV，优于传统含关键原材料的合金。该合金在印度理工学院坎普尔分校实验室规模制备，实测硬度与预测值高度吻合，验证了基于人工智能方法的实用价值。这一成果标志着材料设计从传统试错法向数据驱动智能设计的重大转变。

行业应用前景与未来规划

该无关键原材料合金特别适用于对高硬度有主要需求的应用场景，如耐磨机械部件、工具、表面接触部件以及汽车和工业机械组件。研究负责人Shrikrishna N Joshi教授指出，该合金不仅满足性能驱动需求，还符合可持续发展目标，为行业提供了性能与环保双赢的解决方案。

该框架的独特之处在于，这是首个基于单元和二元成分数据库、无需依赖微观结构或加工参数的已验证计算框架。框架完全基于成分数据和机器学习模型构建，具有高度可转移性和通用性，可推广至其他材料系统。此外，该框架还可扩展预测其他关键机械和功能性能，包括屈服强度、极限抗拉强度、延展性、断裂韧性、耐腐蚀性、热导率和耐磨性等。

研究成果已发表在Nature出版集团旗下的Scientific Reports期刊上。研究团队计划与行业合作伙伴及研究实验室合作，在真实运行条件下测试这些合金，并推进实际部署。这一进展有望推动全球制造业向更加可持续和安全的材料供应链转型。