近期，材料科學與工程學院王清教授及其團隊成員在先進結構-功能一體化材料研發方面取得重要進展。王清教授團隊一直致力于高性能材料的設計與研發工作，將團簇式成分設計方法與第一性原理、相場模擬及機器學習相結合，實現了從成分到組織的定量設計以及對合金多個性能的協同調控，大幅提升了合金研發效率；發展出一系列高性能工程合金材料，并在多個領域得到了應用。團隊分別以“開發新型高溫BCC/B2共格軟磁多主元合金”(Developing novel high-temperature soft-magnetic B2-based multi-principal-element alloys with coherent body-centered-cubic nanoprecipitates)和“自動化機器學習開發新型低密度高強抗蠕變高熵高溫合金”(Developing novel low-density high-entropy superalloys with high strength and superior creep resistance guided by automated machine learning)為題，相繼發表在國際金屬材料領域Top1期刊《材料學報》(Acta Materialia)上。

新型高溫軟磁材料組織與性能

材料的性能與多個尺度的微觀組織結構密切相關，主要包括元素組合和基因單元等。高溫用軟磁材料是航空航天等領域發展的關鍵，可作為發動機轉子、變壓器、磁力軸等，工作溫度為400——800℃，需要兼具優異軟磁性能和高溫力學性能。但是目前常用的軟磁材料存在渦流損耗高、高溫組織穩定性差、服役溫度低、制備工藝復雜等問題。團隊成員利用團簇成分式方法調控微觀結構，成功地開發出了一系列新型高溫軟磁多元合金，并在高溫下保持了優異的軟磁性能。新型合金具有高的居里溫度和電阻率，可以廣泛應用于電子、機械和航空等領域。這項研究的成功還為高溫軟磁材料的研究提供了新的思路和方法，具有重要的學術和應用價值。

團簇式嵌入的自動化機器學習高溫合金成分-性能循環示意圖

為滿足先進航空發動機推重比不斷提升的重大需求，急需研發新型低密度、高強度的高溫結構材料。高溫合金由于其優異的高溫力學性能，被廣泛的應用在航空航天領域，作為應用最廣泛的材料之一。但是，當前商用變形高溫合金密度高(高于8.20 g/cm3)以及承溫能力提升慢(2℃/年)，新材料開發進程緩慢。目前，以‘Al for Science’材料研究新范式成為了迅速開發新材料最重要的方式之一。其中，以體系特征參數輔助的機器學習方法在高性能工程合金研發過程中展現出獨特的潛力。然而，體系特征參數并未與成分直接關聯，導致在以性能為導向預測新合金時需要搜索較大的成分空間，增加了實驗驗證的難度。鑒于此，團隊成員采用團簇成分式嵌入自動化機器學習成功開發了新型低密度高性能高溫合金。在本研究中，系統構建了高溫合金成分與合金性能之間的關聯，并且嵌入與性能密切相關的組織特征參數，并對機器學習的預測結果進行了實驗驗證，發現團簇式約束后，合金成分大大減少，同時實驗結果與預測結果高度一致。該工作開發出的系列低密度合金擁有優異的共格組織高溫穩定，且新型合金擁有高的高溫比屈服強度以及高的蠕變持久壽命。該框架為通過機器學習實現高性能復雜合金面向性能的成分設計提供了新的途徑。

兩篇論文的第一作者分別為材料學院博士生王鎮華和李言成，通訊作者為材料學院王清教授。材料學院董闖教授、美國田納西大學Peter K.Liaw教授、香港理工大學焦增寶教授和中科院金屬所張宏偉研究員參與了論文工作思路的討論；機械工程學院李震老師在計算模擬、材料學院分析測試中心于鳳云老師在EBSD/SEM實驗表征以及東莞理工學院溫冬輝副教授在熱力學軟件上對本研究給予了幫助。

該研究得到了國家自然科學基金區域聯合重點基金和面上項目的資助支持。