针对航空航天、能源及计算领域在新型金属材料研发中面临的高成本与长周期瓶颈，麻省理工学院Rodrigo Freitas教授团队近日在《科学进展》期刊发表论文，提出一种基于机器学习的高精度金属合金模拟新方法。传统模拟技术难以精准刻画化学无序状态下复杂的原子排列，且依赖海量算力生成训练数据，泛化能力有限。该团队创新性地引入信息论，通过算法优化训练数据集，有效捕捉无序材料中多样化的局部化学环境并剔除冗余样本，使模型充分学习关键原子构型。测试表明，该算法生成的模型在预测材料物理属性及相图时，精度显著超越大型科技企业构建的同类模型。该方法准确揭示了细微能量偏差对合金相变的影响，可为焊接、铸造等实际工艺提供可靠依据。研究指出，此技术可灵活迁移至半导体等其它材料体系，将大幅加速耐高温、抗辐射及绿色钢材等前沿材料的定向开发，推动材料科学从理论模拟向工业化应用高效转化。