Сплавы с высокой энтропией (HEA) обладают желательными физическими и химическими свойствами, такими как высокая прочность на разрыв, а также устойчивость к коррозии и окислению, что делает их пригодными для широкого спектра применений. HEA являются недавней разработкой, и методы их синтеза являются областью активных исследований.
Но прежде чем эти сплавы можно будет синтезировать, необходимо спрогнозировать различные комбинации элементов, которые приведут к высокому электротехническому анализу, чтобы ускорить и снизить затраты на исследования материалов. Один из способов сделать это – индуктивный подход.
Индуктивный метод основан на теоретических "дескрипторах" и параметрах, подобранных на основе экспериментальных данных, для представления сплава определенной комбинации элементов и прогнозирования их образования.
Поскольку этот метод зависит от данных, он хорош настолько, насколько хорош данные. Однако экспериментальные данные относительно образования HEA часто необъективны. Кроме того, разные наборы данных могут не быть напрямую сопоставимы для интеграции, что делает индуктивный подход сложным и математически сложным.
Эти недостатки побудили исследователей разработать новую систему рекомендаций по материалам (ERS), основанную на фактических данных, которая может прогнозировать образование HEA без необходимости в дескрипторах материала.
В совместной работе, опубликованной в журнале Nature Computational Science, исследователи из Японского передового института науки и технологий (JAIST), Национального института материаловедения, Япония, Национального института передовых промышленных наук и технологий, Япония, HPC SYSTEMS Inc., Япония и Universite de technologie de Compiegne, Франция, представили метод, который рационально преобразует данные о материалах в доказательства сходства между составами материалов и объединяет эти данные, чтобы сделать выводы о свойствах новых материалов.
Исследовательская группа состояла из профессора Хиеу-Чи Дама из JAIST и его коллег, профессора Ван-Нам Хюня, доцента Дуонг-Нгуен Нгуен и Минь-Куйет Ха, аспиранта (JAIST); Доктор. Такахиро Нагата, доктор.
Тойохиро Чикёу и доктор. Хиори Кино (Национальный институт материаловедения, Япония); Доктор.
Такаши Мияке, (Национальный институт передовых промышленных наук и технологий, Япония); Доктор. Вьет-Куонг Нгуен (HPC SYSTEMS Inc., Япония); и профессор Тьерри Денœux (Universite de Technologie de Compiegne, Франция).
Что касается новаторского подхода к этому вопросу, проф. Hieu-Chi Dam уточняет: «Мы разработали систему разработки материалов на основе данных, которая использует теорию доказательств для сбора разумных доказательств состава потенциальных материалов из нескольких источников данных, i.е., подсказки, указывающие на возможность существования неизвестных составов, и предложить состав новых материалов на основе этих доказательств.«Основа их метода заключается в следующем: элементы в существующих сплавах изначально заменяются химически подобными аналогами. Вновь замещенные сплавы рассматриваются в качестве кандидатов.
Затем собранные доказательства сходства между составом материалов используются для вывода об этих кандидатах. Наконец, новые замещенные сплавы ранжируются, чтобы рекомендовать потенциальный HEA.
Исследователи использовали свой метод, чтобы рекомендовать HEA на основе Fe-Co, поскольку они имеют потенциальное применение в устройствах высокой мощности следующего поколения. Из всех возможных комбинаций элементов их метод рекомендовал сплав, состоящий из железа, марганца, кобальта и никеля (FeMnCoNi) как наиболее вероятный HEA.
Используя эту информацию в качестве основы, исследователи успешно синтезировали Fe0.25Co0.25 Mn0.25Ni0.25 сплава, что подтверждает обоснованность их метода.
Недавно разработанный метод является прорывом и открывает путь к синтезу широкого спектра материалов без необходимости в больших и согласованных наборах данных о свойствах материалов. Дам объясняет: «Вместо того, чтобы принудительно объединять данные из нескольких наборов данных, наша система рационально рассматривает каждый набор данных как источник доказательств и объединяет доказательства, чтобы сделать окончательные выводы для рекомендации HEA, где неопределенность может быть оценена количественно."
Продолжая исследования функциональных материалов, проф.
Дам и его команда также внесли значительный вклад в область вычислительной науки и искусственного интеллекта, поскольку они позволяют количественно измерять неопределенность при принятии решений на основе данных.