{首页主词},&

西北工業大學王錦程教授課題組：基于機器學習的超強馬氏體不銹鋼全局搜索策略

2022-04-21 16:26:35 作者：王錦程教授團隊來源：研之成理分享至：

01 全文速覽

機器學習指導實驗以最小化時間和經濟成本的方式來設計新合金是材料領域的一個熱門的且具有挑戰性的課題。王錦程教授團隊提出了一種結合機器學習和自適應采樣的智能合金設計策略，并成功地應用于馬氏體不銹鋼的實例中。僅用9步迭代實驗就實現了設計空間內最高硬度合金的成功搜索，并在全局范圍內建立了材料成分與硬度之間的可靠關系。該策略具有靈活性、可靠性和高效性優勢，并可推廣應用于其他材料的實驗設計。

02 背景介紹

A. 傳統合金設計方法的缺陷

設計具有優異力學性能的新合金的困難性在于各種化學成分、微觀結構和其他物理性能之間可能存在復雜的相互作用，傳統的試錯法依賴于低效和嘗試性的實驗，造成了過多不必要的時間和經濟投入。利用物理模型來篩選和指導合金設計雖然為合金設計問題提供了許多低成本的理論方案，但低精度和有限的應用范圍仍然制約著這些方法的廣泛使用。因此，有必要制定新的策略來加速合金設計過程，該策略要求具有低成本、高精度和強的泛化能力等特點。

近年來，機器學習為上述問題提供了一個智能化的解決方案。王錦程教授團隊先前的工作（Acta Mater. 2020, 182, 278）采用人工神經網絡學習材料化學成分和熱力學相含量之間數據規律，成功設計出具有高強塑形結合的高熵合金，該設計思路也在預測材料屈服強度方面取得了成功的應用（J. Mater. Sci. Technol. 2021, 69, 156）。然而，這種設計策略并沒有實驗反饋，所得的機器學習模型并不具備外推預測能力，所得到的設計合金也是次優的。另外一種有趣的設計思路是借助一些優化算法（如遺傳算法）在給的的設計空間內直接搜索，遺憾的是，這種方案忽略了預測的不確定性，很容易陷入局部最優（Comput. Mater. Sci. 2018, 155, 331）。王錦程教授團隊針對以上問題還做了不同的嘗試（Mater. Des. 2021, 201, 109497），創新性的引入從微觀組織圖片中提取的統計信息，很明顯的提高了預測精度，但由于引入了過多的復雜性，該策略在合金設計方面尚沒有成功應用。

B. 自適應搜索方法的優缺點

西安交通大學薛德幀教授團隊提出一種結合自適應搜索方法的機器學習策略，同時考慮了模型預測的不確定性和實驗反饋，證實了該方法在合金設計領域巨大的應用潛力，但通過該方法來獲取全局最優解可能需要較高的實驗代價。更有趣的是，該策略推薦的實驗合金總是偏聚在成分空間的“優勢區域”（高的力學性能），導致不平衡的數據分布，從而限制預測模型在整個設計空間內的可靠性。日本國立材料科學研究所的Tamura團隊針對全局可靠預測的目標，選擇僅考慮不確定性來指導實驗。然而，數百次迭代實驗的代價卻無法避免。從另外一個極端考慮，如果僅選擇預測的最佳合金，只能獲得少量有價值的數據。總之，自適應搜索方法具備強大的外推設計能力，確實可以為發現新材料提供新的機會。然而，在全局范圍內以最小的實驗成本實現精確預測和發現最優解的挑戰仍是一項挑戰性的任務。

03 研究出發點

給定一個較小的稀疏數據集，機器學習預測的不確定性通常在遠離已知樣本點的位置較大，在靠近已知樣本點的位置附近較小。因此，通過自適應搜索策略在短期迭代中，可能指向局部最優（大的不確定性，小的預測值），也可能指向全局最優（小的不確定性，大的預測值）的突出位置。因此，王錦程教授團隊設想在自適應采樣之前，先嘗試均衡機器學習模型在設計空間內預測的不確定性，而后迫使采樣點快速靠近全局最優解。以此為動機，王錦程教授團隊提出了一個面向全局的搜索策略，并以在設計空間內發現最高硬度的馬氏體不銹鋼、獲取全局預測可靠的機器學習模型為目標展開研究。

04 圖文解析

王錦程教授團隊提出的搜索策略包含了：訓練集創建機器學習模型訓練設計空間內未探索合金預測自適應抽樣實驗測試反饋更新等主要步驟。在自適應抽樣環節考慮了首先利用均衡設計空間內預測不確定性，然后通過迭代減少整體優化期望值。最終目標是搜索到設計空間內的最優解和建立全局范圍內預測可靠的機器學習模型。

▲圖1 面向全局搜索策略示意圖

前6步迭代實驗測量的硬度值分布范圍較廣，不確定性頻率分布曲線快速收斂，說明了搜索策略在均衡預測不確定性方面的可行性。后3步迭代實驗測量的硬度值集中在高硬度區，特別是最后一步實驗所得的3個合金成分幾乎一致，不確定性曲線無明顯變化，說明了機器學習模型在全局最優解附近探索。預測誤差曲線最后接近于0表明迭代優化的機器學習模型精度已飽和，能夠在全局范圍內提供可靠的預測。

▲圖2 （a）迭代設計合金硬度的實驗測量值；（b）預測不確定性的高斯擬合頻率密度曲線變化；（c）預測值與實驗值間的平均絕對誤差變化；（d） Ni含量為1 wt%的1592合金的預測硬度（大于52.9 HRC）；（e） Co和Mo含量的變化對Ni為1 wt%、Cr為12 wt%合金的預測硬度的影響

在迭代推薦的合金和在全局范圍內隨機選取的驗證合金上，實驗測試結果與模型預測結果的對比進一步證明王錦程教授團隊提出的搜索策略實現了快速發現全局最優解、建立全局預測高精度機器學習模型的目標。

▲圖3 設計合金的實驗測量硬度和機器學習預測硬度比較

05 總結與展望

王錦程教授團隊開發了一種面向全局設計空間的合金搜索策略。以馬氏體不銹鋼為例，通過特征工程發現合金元素Ni、Cr、Co和Mo對硬度有重要影響，并以此建立了科學的設計空間。該策略成功推薦了27種新的馬氏體不銹鋼進行實驗測試，其中1/3的鋼的硬度高于訓練集的最大值。此外，發現超硬鋼（硬度>55HRC）總是分布在一個小的區域（Ni: ~1wt%，Cr: 12-12.5wt%，Co: ~18wt%，Mo: 5-6wt%），并成功發現了硬度最高的合金（56 HRC），證明了該策略在設計空間中的全局可靠性。當給定更大的成分空間或面對其他材料時，該策略也可以勝任數據收集、材料知識挖掘和新合金設計的科學任務。

06 參考文獻

[1]. X. Hu, J. Zhao, J. Wang, et al., Adv. Theory Simul., 2022, 5: 2100411.

[2]. Q. Wu, X. Hu, J. Wang, et al., Acta Mater. 2020, 182, 278.

[3]. T. Zheng, X. Hu, F. He, et al., J. Mater. Sci. Technol. 2021, 69, 156.

[4]. X. Hu, J. Wang, Y. Gu, et al., Comput. Mater. Sci. 2018, 155, 331.

[5]. X. Hu, J. Li, J. Wang, et al., Mater. Des. 2021, 201, 109497.

07 課題組介紹

微觀組織計算及合金設計課題組以凝固技術國家重點實驗室和金屬高性能增材制造與創新設計工業和信息化部重點實驗室為依托，長期開展材料多尺度模擬計算、材料基因工程與合金設計、高熵合金及增材制造等方面的基礎研究工作。課題組現有教授4人、副教授3人，在讀研究生50余人，已發展成為研究方向明確、學術氣氛濃厚、科研條件完善、富有創新性和凝聚力的學術團隊。課題組近年來先后承擔國家重點研發計劃、973計劃、國家自然科學基金、基礎加強等國家及省部級科研項目30余項，發表SCI論文200余篇，其中中科院1區論文70余篇，授權發明專利12項，獲省部級科學獎勵2項。

免責聲明：本網站所轉載的文字、圖片與視頻資料版權歸原創作者所有，如果涉及侵權，請第一時間聯系本網刪除。