1. 项目概述当机器学习遇见高温合金氧化在高温合金的研发世界里氧化问题一直是个“老大难”。想象一下你花费数年心血设计出一种新型合金力学性能、高温强度都堪称完美结果送到高温炉里一烧表面迅速起皮、剥落质量急剧增加性能一落千丈——这种挫败感相信很多材料工程师都深有体会。传统上我们评估一种合金的抗氧化能力主要依赖昂贵的、周期漫长的实验制备样品、在不同温度和时间下进行氧化测试、然后通过精密仪器分析氧化层的成分、结构和厚度。这个过程不仅耗费巨大而且严重依赖研究人员的经验难以系统性地探索广阔的成分空间。难熔高熵合金RHEAs和更广义的难熔复杂成分合金RCCAs作为下一代超高温结构材料的候选者其成分设计自由度极高这既是优势也是挑战。优势在于我们可以通过调配多种难熔金属元素如Nb、Ta、Mo、W、V、Cr、Ti等来“定制”出具有独特性能的材料挑战在于面对近乎无限可能的成分组合传统的“试错法”已经完全失效。你不可能把成千上万种成分都做出来烧一遍。这时候机器学习ML的价值就凸显出来了。它就像一个不知疲倦的超级实习生能够从已有的实验数据中学习成分、工艺与最终性能比如氧化增重之间那些复杂到人类难以直观理解的隐藏规律。然而早期的材料机器学习模型大多依赖于合金本身的一些基础物理化学描述符比如平均熔点、原子半径差异、混合熵、平均价电子浓度VEC等。这些描述符对于预测相稳定性、力学性能或许有效但在直接预测像氧化这样复杂的动态表面反应过程时往往显得“隔靴搔痒”。氧化行为不仅仅取决于合金的“内在基因”更取决于它在特定环境高温、氧气下“生长”出的氧化产物的特性。这就好比预测一个人的抗病能力不能只看他的基因合金本征描述符还得看他免疫系统产生的抗体和细胞因子氧化产物的性质。我们这项工作的核心突破就在于将视角从“合金本身”转向了“氧化产物”。我们构建了一套全新的、包含11个特征的“氧化产物描述符”集。这些描述符直接量化了氧化过程的关键物理化学因素形成氧化物需要多大的“驱动力”化学势氧化时体积是膨胀还是收缩会不会导致氧化层开裂Pilling-Bedworth比氧化层致密吗离子容易穿过吗原子堆积效率氧化物的熔点高吗会不会在服役温度下软化氧化物混合物固相线温度氧化物容易挥发吗加权蒸气压氧气在合金内部的溶解度大吗会不会导致灾难性的内氧化氧溶解度比把这些描述符和传统的合金本征描述符一起喂给一个名为高斯过程回归GPR的机器学习模型。结果令人振奋模型预测合金在1000°C空气中氧化24小时后的单位面积质量增量这是衡量抗氧化性的关键指标的精度显著提升测试集的平均绝对误差MAE从仅使用传统描述符时的7.18 mg/cm²降低到了5.78 mg/cm²。别小看这1.4 mg/cm²的差距在材料性能预测中这往往意味着模型从“大概靠谱”迈向了“相当可靠”。更重要的是我们利用SHAPSHapley Additive exPlanations这一可解释性AI工具像做“手术解剖”一样看清了到底是哪些描述符在模型的决策中起到了关键作用。这不仅仅是为了提升预测精度更是为了加深我们对“什么因素真正决定合金抗氧化性”这一科学问题的理解。最终我们利用这个训练好的“预言家”模型对超过5147种四元难熔复杂成分合金进行了快速筛选成功找到了多个预测抗氧化性能远优于训练数据中已知合金的新成分。这标志着我们不再是在黑暗中盲目摸索而是有了一张基于物理化学原理和数据分析绘制的“藏宝图”能够更高效、更智能地导航到高性能抗氧化合金的所在。这项工作是为那些致力于开发下一代航空发动机涡轮叶片、燃气轮机热端部件、高超音速飞行器前缘材料的工程师和科学家们提供的一套强大的数字化设计工具。2. 核心思路从“合金特性”到“反应产物特性”的范式转变要理解我们工作的创新之处首先得看看过去大家是怎么做的。在材料机器学习领域尤其是对于高熵合金这类复杂体系研究者们已经建立了相当丰富的“合金描述符”库。这些描述符大致可以分为几类一是热物理性质类比如平均熔点、液相线/固相线温度、密度等它们反映了合金的热稳定性二是原子尺度特征类比如平均原子半径、半径差异度、混合熵、平均价电子浓度等它们与合金的相形成、固溶体稳定性密切相关三是力学性能相关类如弹性模量的范围、不对称性等。将这些描述符与合金的某种目标性能如硬度、强度、抗氧化性建立关联是标准的操作流程。2.1 传统方法的局限性为何“隔靴搔痒”当我们用这套传统描述符去预测氧化行为时会遇到几个根本性的瓶颈。第一间接性。氧化是一个发生在合金表面、涉及元素扩散、相变、气体吸附/解离、化学反应等多个步骤的动力学过程。合金的熔点高并不意味着它形成的氧化物就稳定原子的半径差异大与氧化层是否致密没有直接关系。传统描述符刻画的是合金的“静态”本征属性而氧化是一个强烈的“动态”和“环境依赖”过程。用静态属性去预测动态行为信息丢失严重。第二忽略产物的关键作用。抗氧化的核心是能否在合金表面快速形成一层连续、致密、粘附性好、生长速度慢且化学性质稳定的氧化层如Al₂O₃、Cr₂O₃、SiO₂。这层氧化物的性质——它的晶体结构、离子/电子电导率、热膨胀系数、与基体的结合力、挥发性等——直接决定了抗氧化性能的优劣。传统描述符完全不包含这些关于“产物”的信息。第三对复杂氧化机制的无力。难熔高熵合金的氧化极少是单一氧化物的形成。通常是多种氧化物如TiO₂, Nb₂O₅, Ta₂O₅, Cr₂O₃, Al₂O₃等同时或竞争性生长可能形成多层结构甚至生成复杂的复合氧化物如CrTaO₄。不同氧化物之间的互溶性、它们之间的扩散屏障效应都会极大地影响氧化动力学。传统描述符无法捕捉这种由多种氧化物相互作用带来的“涌现”特性。这就好比试图通过一个人的出生地、身高、血型静态本征描述符来预测他跑马拉松的成绩动态环境依赖行为。虽然可能有一些微弱的统计关联但显然他的训练习惯、心肺功能、肌肉耐力动态过程描述符才是更直接的预测因素。2.2 氧化产物描述符直击要害的物理化学量化我们的解决思路是“以子之矛攻子之盾”。既然氧化行为由氧化产物主导那么我们就直接计算并量化这些产物的关键特性并将其作为新的描述符输入机器学习模型。我们提出的11个氧化产物描述符每一类都对应着一个经典的氧化理论或关键影响因素氧化物形成化学势这反映了元素与氧结合的趋势强弱是氧化反应的“驱动力。我们计算了在目标温度如1000°C和氧分压如空气下形成每种可能氧化物的吉布斯自由能变化ΔG。对于多元合金需要一种加权平均或考虑最易氧化元素的方式来定义这个描述符。驱动力太强可能意味着氧化速度过快太弱则可能无法形成保护性氧化层。加权Pilling-Bedworth比这是氧化领域一个经典的概念。PBR 氧化物的摩尔体积 / 消耗金属的摩尔体积。如果PBR 1氧化膜不完整多孔如果PBR 2氧化膜内会产生巨大的压应力容易开裂剥落。理想的PBR略大于1通常在1-2之间这样氧化膜才能既完整又致密地覆盖在基体上。对于多元合金形成多种氧化物我们根据每种氧化物的体积分数进行加权得到整体的wPBR。氧化层原子堆积效率这个概念借鉴了晶体学用来描述氧化层中原子排列的紧密程度。我们计算了氧化层通常考虑最初形成的、最内层的氧化物中原子堆积的密度或效率。堆积效率越高意味着氧化层越致密氧离子或金属离子扩散通过的路径越曲折扩散速度越慢抗氧化性越好。我们计算了最大、最小和平均堆积效率三个值作为描述符。氧化物混合物固相线温度在高温下氧化层本身也可能发生相变或软化。如果氧化物的混合物多种氧化物共存的体系的固相线温度低于服役温度那么氧化层就会变软、失去保护性甚至流淌。这个描述符预警了氧化层在高温下的热稳定性。加权蒸气压某些氧化物特别是钼、钨、钒的氧化物在高温下具有很高的蒸气压会以气态形式挥发如MoO₃的挥发。这会导致氧化层不断被损耗无法形成连续的保护膜是灾难性的。我们根据每种氧化物的蒸气压和其在氧化层中的比例进行加权计算。氧溶解度比这个描述符用于判断是发生“外氧化”还是“内氧化”。外氧化是指氧与合金表面的元素反应形成表面氧化层内氧化是指氧溶解到合金内部与内部的活性元素反应形成内部氧化物颗粒。内氧化会破坏合金的基体连续性通常是有害的。氧溶解度比NO/NB是一个关键参数其中NO是氧在合金中的溶解度NB是合金中活性元素的扩散系数。当NO/NB比值低时倾向于外氧化比值高时倾向于内氧化。通过引入这套描述符我们相当于给机器学习模型装上了“氧化过程的显微镜”和“热力学/动力学计算器”。模型不再仅仅知道合金“是什么”还能“预见”它在氧化环境中会“变成什么”以及“变得怎么样”。这种从“前因”到“后果”的范式转变是提升预测精度的关键。2.3 模型选择为何是高斯过程回归在众多机器学习算法中我们选择了高斯过程回归。这并非随意之举而是基于材料数据的特点深思熟虑后的结果。材料数据的典型特点1)数据量小高质量的合金氧化实验数据昂贵且难以获取我们的数据集只有77个合金在特定条件下的数据点属于典型的小样本数据。2)噪声大实验测量本身存在误差不同实验室、不同批次样品之间也可能有差异。3)需要不确定性量化在材料设计中我们不仅想知道模型预测的性能值是多少更想知道这个预测有多大的置信度。一个给出“预测增重10±2 mg/cm²”的模型远比一个只给出“预测增重10 mg/cm²”的模型更有用。GPR的优势小样本学习能力强GPR是一种非参数贝叶斯模型它不对函数形式做强假设而是直接对函数本身进行分布推断在小数据集上通常比深度神经网络等参数模型表现更稳健不易过拟合。天然提供不确定性估计GPR的每一次预测输出的都是一个高斯分布即均值和方差。这个方差就是模型对此次预测自信程度的量化。在探索新的、远离训练数据的成分区域时预测方差会增大这可以作为一个重要的风险提示指导我们下一步的实验验证应该聚焦在哪些“高潜力但高不确定性”的区域。灵活性高通过选择不同的核函数如径向基函数RBF、马顿核Matern等GPR可以捕捉从平滑到剧烈变化的各种复杂函数关系。氧化行为与描述符之间的关系很可能就是高度非线性的GPR能很好地适应这一点。相比之下线性回归过于简单无法捕捉复杂关系支持向量机SVR虽然也能处理非线性但其不确定性输出不如GPR直观而神经网络在小数据集上容易过拟合且其“黑箱”特性更强可解释性相对更差。因此GPR在材料性能预测尤其是小样本、高价值的数据场景下是一个极具竞争力的选择。3. 实操详解如何构建并运行一个氧化行为预测模型理论说了一大堆现在我们来点“干货”看看这套方法具体是怎么落地的。整个过程可以拆解为数据准备、描述符计算、模型训练与验证、以及最终的应用筛选四个核心步骤。我会结合我们工作中的具体细节和踩过的坑把每个环节讲透。3.1 数据基石高质量数据集的构建与清洗任何机器学习项目都始于数据。对于材料科学而言获取一个干净、一致、可靠的数据集往往是最大的挑战。数据来源我们的核心数据集来源于已发表的文献和合作实验室的内部数据。我们系统性地收集了多种难熔复杂成分合金RCCAs在900°C至1000°C温度范围内于空气中氧化不同时间重点关注24小时后的单位面积质量增量数据。这个“比质量增量”是衡量抗氧化性的黄金标准数值越小说明材料形成的氧化层越保护性材料损失越少。数据清洗与过滤统一单位与条件首先将所有文献中的数据统一换算为mg/cm²。同时严格筛选氧化条件在本研究中我们聚焦于“1000°C空气气氛24小时”这一相对标准化且工程上重要的条件以确保数据可比性。不同温度、时间、氧分压下的数据不能混为一谈。剔除异常值对于同一成分但来自不同文献的数据如果结果差异巨大我们需要仔细检查实验细节如样品表面处理、加热速率、测试设备必要时咨询领域专家或进行保守的剔除。一个常见的问题是有些研究报道的是“总质量变化”其中可能包含了氧化层剥落导致的失重而我们需要的是“净增重”这需要仔细甄别。成分归一化确保所有合金的成分都以原子百分比或重量百分比的形式规范记录并检查总和是否为100%。对于含有微量杂质或未明确报告的元素需要做出合理假设或标注。注意数据质量直接决定模型天花板。花在数据清洗上的时间往往比调参的时间更有价值。建立一个标注清晰、来源可溯的数据表格至关重要。最终我们得到了一个包含77个合金成分及其对应氧化增重数据的数据集。虽然看起来不多但在难熔高熵合金氧化这个细分领域这经是一个相当宝贵的集合。3.2 描述符计算从合金成分到数字特征这是整个流程中计算量最大、也最体现材料学知识的一步。我们需要为数据集中的每一个合金成分计算两套描述符传统的合金本征描述符和我们新提的氧化产物描述符。传统描述符计算 这部分相对成熟。我们使用了诸如pymatgen、matminer等材料信息学工具包或者自行编写脚本。计算了包括平均熔点原子半径差异度混合熵平均价电子浓度密度弹性模量范围等约17个特征如SI Table 1所示。 这些计算主要基于合金的组成元素及其比例利用元素的固有属性进行加权平均或其他统计运算。氧化产物描述符计算核心难点 这才是重头戏。计算这11个描述符需要以下步骤和工具热力学数据库调用我们需要知道在目标温度1000°C和氧分压0.21 atm空气下合金中每种元素与氧反应生成各种氧化物的吉布斯自由能。这依赖于强大的热力学数据库如FactSage、CALPHAD数据库或Materials Project的API。我们编写了脚本自动调用这些数据库或使用已拟合的热力学模型进行计算。氧化产物预测给定一个合金成分和氧化条件它表面最可能形成哪些氧化物这本身就是一个复杂的平衡计算。我们采用了一种简化但实用的方法假设氧化过程是局域平衡的计算所有可能氧化物的生成驱动力ΔG并考虑元素在合金中的活度。通常我们会生成一个在给定氧化学势下最稳定的氧化物相图或者使用Thermo-Calc软件及其Python接口如pycalphad进行平衡计算。在我们的工作中我们定义了一个“初始氧化层”例如最先形成的30 vol.%的氧化层并计算该层内氧化物的组成。描述符的具体计算化学势基于上述热力学计算得到。加权PBR查询每种稳定氧化物的摩尔体积和对应金属的摩尔体积按氧化物体积分数加权求和。PBR_i V_oxide_i / V_metal_iwPBR Σ (f_i * PBR_i)其中f_i是氧化物i的体积分数。堆积效率需要已知所形成氧化物的晶体结构如刚玉型、金红石型等计算其理论密度和原子堆积因子。这可以从晶体结构数据库如ICSD获取参数。固相线温度对于多种氧化物共存的“混合物”其固相线温度需要通过相图计算获得。我们使用了热力学软件计算该氧化物混合体系在平衡状态下的固相线。蒸气压查询或通过热力学公式估算各氧化物在1000°C下的蒸气压然后加权。氧溶解度比这需要氧在合金中的溶解度和合金中活性元素的互扩散系数数据。这些数据非常稀缺我们通常采用经验模型或第一性原理计算来估算这是当前计算中的一个主要不确定性来源。实操心得氧化产物描述符的计算高度依赖热力学数据的准确性和计算模型的合理性。建议使用经过广泛验证的商业软件如Thermo-Calc作为计算引擎并通过Python脚本我们使用了pyTCPlotter工具包进行自动化批量处理。对于缺乏数据的参数如某些多元氧化物的蒸气压需要做出合理的近似并在论文中明确说明因为这将是模型误差的一个潜在来源。3.3 模型构建、训练与验证有了特征描述符和标签氧化增重就可以开始训练模型了。数据预处理特征缩放由于不同描述符的量纲和数值范围差异巨大例如熔点上千度而PBR在1附近必须进行标准化StandardScaler或归一化MinMaxScaler使所有特征处于同一尺度避免某些特征因数值大而主导模型。我们通常使用标准化。特征相关性分析计算所有描述符之间的皮尔逊相关系数矩阵如SI Figure 3。如果两个描述符高度相关例如相关系数0.9它们提供的信息是冗余的可以考虑剔除其中一个以简化模型并提高数值稳定性。在我们的数据中几种原子堆积效率描述符之间相关性较高但鉴于其物理意义略有不同我们选择保留。数据集划分我们将77个数据点按大约80:20的比例随机划分为训练集和测试集。测试集在训练过程中完全不可见用于最终评估模型的泛化能力。模型训练与超参数优化我们使用scikit-learn或GPy库中的高斯过程回归模块。核函数选择我们从最常用的径向基函数RBF核开始它假设函数是平滑的。我们也尝试了马顿核Matern它允许函数有不同程度的光滑性。通过交叉验证比较RBF核在本数据集上表现略好。超参数调优GPR核函数有长度尺度length_scale和信号方差variance等超参数。我们使用训练集上的5折交叉验证以最大化对数边际似然log-marginal-likelihood或最小化验证集误差为目标来优化这些超参数。交叉验证能有效防止模型在训练集上过拟合。模型评估关键指标我们主要关注平均绝对误差和决定系数。MAE预测值与真实值之间绝对误差的平均值。它直观地反映了预测的平均偏差有多大。我们的目标是尽可能降低MAE。R²表示模型对数据方差解释的比例。越接近1越好。可视化工具—— parity plot这是材料领域最常用的评估图表。将预测值作为Y轴实验值作为X轴绘制散点图。如果预测完美所有点都应落在对角线上。通过观察点的分布我们可以判断模型是否存在系统性高估或低估以及在哪个数值区间预测误差较大。结果对比我们训练了两个GPR模型。模型A仅使用传统的17个合金本征描述符。模型B使用传统描述符 11个新的氧化产物描述符共28个。在测试集上模型A的MAE为7.18 mg/cm²而模型B的MAE为5.78 mg/cm²。这个提升是显著的。从parity plot上也能看到模型B的数据点更紧密地聚集在对角线周围尤其是在中低质量增量区域这是工程上最关心的性能优异区域。3.4 可解释性分析SHAP值揭示模型“黑箱”模型性能提升了但我们还想知道它“为什么”做出了这样的预测。哪些描述符最重要它们是如何影响预测的这时就需要SHAP分析。SHAP值基于博弈论为每个特征对于单个预测结果的贡献分配一个数值。它有两个层面的作用全局重要性通过对所有样本的SHAP值取绝对值平均可以得到每个描述符的全局重要性排序。在我们的分析中平均价电子浓度仍然是全局最重要的描述符这印证了电子结构对合金许多基础性质包括氧化的深远影响。但令人振奋的是氧化产物的加权Pilling-Bedworth比和氧化物混合物固相线温度也进入了前十重要特征之列。这说明模型确实“学会”了利用我们新加入的氧化产物信息。局部解释对于某一个具体的合金预测SHAP可以显示每个描述符是将预测值推向更高还是更低。例如对于一个预测抗氧化性很好的合金SHAP图可能显示是“较高的氧化物固相线温度”和“适中的加权PBR约1.5”这两个特征做出了最大的正向贡献。注意事项SHAP分析非常强大但它解释的是“模型”的行为而非绝对的物理规律。如果训练数据有偏或者模型本身有缺陷SHAP给出的重要性排序也可能有偏。因此需要将SHAP结果与材料学已知的理论知识相互印证。例如我们发现“氧溶解度比”这个描述符的SHAP值重要性不高这可能是因为我们的数据集中“内氧化”的案例较少模型未能充分学习到它的信号也可能是因为我们当前估算该参数的方法不够准确。这为后续数据收集和描述符改进指明了方向。4. 实战应用利用模型进行高性能合金成分筛选模型训练和验证的最终目的是为了应用。我们利用训练好的、性能更优的模型B进行了一次大规模的虚拟筛选。4.1 构建虚拟候选库我们聚焦于四元难熔复杂成分合金体系。选择了Nb, Ta, Mo, W, V, Cr, Ti, Al等常见的难熔和抗氧化元素。通过设定每种元素的成分范围例如每个元素在0-50 at.%之间变化并以一定的步长例如5 at.%进行网格划分我们生成了超过5147种虚拟合金成分。这个数量级是传统实验方法完全无法企及的。4.2 批量预测与筛选对于这5147种虚拟合金我们重复了描述符计算的流程为每个虚拟成分计算28个描述符17个传统11个氧化产物。这个过程是全自动化的通过我们编写的计算流水线完成。将计算好的描述符输入到训练好的GPR模型B中预测其在1000°C/24h空气中的比质量增量。同时GPR模型还会给出每个预测的标准差即不确定性。4.3 筛选策略与结果我们并非简单地选择预测增重最小的几个合金。一个更稳健的策略是同时考虑预测性能和预测不确定性。高性能低不确定区预测增重很低且模型置信度高标准差小的成分。这些是“低垂的果实”最有可能在实验中成功应优先验证。高性能高不确定区预测增重很低但模型不确定度高标准差大的成分。这些成分可能位于训练数据分布区域的边缘或之外模型是在“外推”。它们风险较高但可能蕴藏着意想不到的突破值得进行探索性实验。帕累托前沿我们可以绘制“预测增重”与“预测不确定性”的二维图。寻找那些在增重和不确定性上都难以被其他成分同时超越的点这些点构成了帕累托前沿代表了不同风险偏好下的最优选择。通过这种筛选我们成功地从数千个虚拟成分中识别出了多个预测质量增量显著低于训练数据集中最佳合金的成分。例如训练集中最好的合金质量增量可能在10 mg/cm²左右而我们筛选出的某些成分预测值在2-5 mg/cm²的区间。这为实验合成与测试提供了极具价值的靶向指导。4.4 从预测到实验闭环验证的重要性机器学习筛选出的“明星”成分最终必须通过真实的实验来验证。这是形成“计算设计-实验验证-数据反馈”闭环的关键一步。实验验证不仅能检验模型的预测能力其产生的新数据无论成功与否都可以反馈到训练数据集中用于重新训练和优化模型从而让这个“AI助手”变得越来越聪明。在我们的后续工作中已经安排了对部分筛选出的高潜力成分进行电弧熔炼、均匀化处理、高温氧化测试和微观结构表征初步结果与模型预测趋势相符这极大地增强了我们对这套方法的信心。5. 经验总结、局限性与未来展望回顾整个项目从构思氧化产物描述符到构建计算流程训练模型再到最终筛选有几个深刻的体会和值得注意的要点。5.1 核心经验与避坑指南数据质量至上标注务必清晰再好的模型也救不了垃圾数据。在收集氧化数据时必须详细记录合金的精确成分、热处理历史、样品表面状态、氧化实验的精确条件温度、时间、气氛、升温/降温速率。任何信息的缺失都会引入噪声降低模型上限。建议建立自己的标准化数据模板。描述符的物理意义是关键不要盲目堆砌特征。我们提出的11个氧化产物描述符每一个都有明确的物理或化学含义对应着氧化理论中的一个关键机制。这使得模型不仅是一个黑箱预测器其学习到的规律也更容易被材料学家理解和接受甚至能反过来启发新的科学认识。热力学计算是基石也是误差源氧化产物描述符的计算严重依赖热力学数据库和相平衡计算的准确性。对于非常规的多元氧化物相数据库可能不完整。务必对计算结果进行合理性检查例如形成的氧化物是否常见化学势是否合理并明确说明计算中的假设和近似。善用模型的不确定性GPR提供的预测不确定性是一个极其宝贵的工具。在指导实验时不要只看预测值最低的要结合不确定性进行决策。对于高风险高回报的“高不确定-高性能”区域可以设计一些小规模、快速的预实验进行探针。可解释性不是奢侈品而是必需品在材料研发这种高成本的领域我们不能完全相信一个“黑箱”。SHAP这样的工具帮助我们打开了模型的黑箱让我们知道模型是“基于什么理由”做出预测的。当模型的预测与直觉相悖时SHAP分析可以帮助我们判断是模型发现了新规律还是出现了错误或偏差。5.2 当前工作的局限性当然我们的方法并非完美仍有诸多可以改进和拓展的空间数据规模限制77个数据点对于机器学习来说仍然很小。这限制了模型的复杂度和泛化能力。未来需要持续扩充高质量的数据集特别是包含更多极端成分和不同氧化条件的数据。描述符的完备性目前的11个氧化产物描述符主要关注热力学和简单几何因素。氧化动力学中的关键因素如元素在合金和氧化层中的扩散系数、氧化层的应力状态、氧化层/基体界面的粘附性等尚未被有效量化并纳入描述符。这些是下一步描述符开发的重点。“一图流”预测的局限当前模型只预测了单一时间点24h和温度点1000°C的氧化增重。实际的氧化是一个随时间演化的动力学过程。未来的目标应该是建立能够预测整个氧化动力学曲线如抛物线速率常数的模型或者预测氧化层随时间生长的厚度、结构演变。跨条件迁移能力模型在1000°C/空气下训练能否很好地预测1100°C或低氧分压下的行为这需要研究模型的迁移学习能力或者构建包含多条件的数据集。5.3 未来展望这项工作为材料氧化行为的机器学习预测打开了一扇新的大门。未来的方向可能包括多目标优化抗氧化性只是材料性能的一个方面。在实际应用中我们往往需要同时优化强度、韧性、密度、成本等。可以将氧化预测模型与力学性能预测模型结合进行多目标贝叶斯优化直接搜索在多个性能约束下的帕累托最优成分。与微观结构关联当前模型是“成分-性能”的直接映射。下一步可以引入微观结构描述符例如通过相场模拟或机器学习预测的合金微观相组成、晶粒尺寸等建立“成分-工艺-微观结构-氧化性能”的完整链条。主动学习框架将机器学习模型与实验平台更紧密地结合。模型不仅预测还根据当前的不确定性主动推荐“下一个最值得做的实验”是什么从而以最少的实验次数最快地锁定目标材料实现真正的加速发现。机器学习不会取代材料科学家但它正在成为材料科学家手中前所未有的强大工具。将深刻的领域知识如氧化理论转化为机器可理解的描述符与先进的算法结合我们正站在一个新时代的点能够以更理性、更高效的方式设计出应对极端环境挑战的下一代高性能材料。这条路还很长但第一步我们已经迈得相当扎实。
