1200℃の高温性能限界を突破！北京科学技術大学は、機械学習を使用して、優れた室温延性を備えた 24 種類の耐火性高エントロピー合金を合成しました。

ガスタービン、原子炉、航空推進システムなどの工学用途では、優れた高温機械的特性を備えた金属合金が強く求められています。材料の融点には固有の制限があるため、従来のニッケル基 (Ni) 超合金の耐熱性は限界に近づいています。高温構造材料の開発需要に応えるため、耐火性高エントロピー合金（RHEA）は 2010 年に提案され、1000℃以上の温度でも高強度を維持できることから大きな注目を集めています。

さまざまな高融点の耐火元素を添加することにより、一部の RHEA は超合金に匹敵する高温強度を実証しました。さらに、高エントロピー効果によってもたらされる構造安定性により、RHEA は高温での応用可能性が大きくなります。ただし、RHEA に耐火元素を添加すると高温強度は向上しますが、室温での延性は大幅に低下します。たとえば、ほとんどの RHEA の室温での圧縮破壊ひずみは 10% 未満であるため、さらに加工することが困難になります。

良好な高温強度と室温延性の目標特性を備えた RHEA を開発するには、いくつかの研究が行われています。かつては特定の元素の組成を調整することでRHEAを設計していましたが、その設計は研究者の経験と勘に頼る部分が多く、不確実性が大きかったです。さらに、RHEA の可能な組成空間は広く、数十億の候補成分が含まれており、この複雑な組成とその広い検索空間により、有望な合金の迅速な発見が大幅に制限されます。

材料科学における複雑な問題を解決するための機械学習 (ML) の使用は、近年広く注目を集めています。北京科学技術大学のSu Yanjing氏のチームは、ML、遺伝的検索、クラスター分析、実験フィードバックを組み合わせた多目的最適化（MOO）フレームワークを設計し、以下に基づいて最高の高温強度と室温延性を備えた合金を見つけました。 RHEA の組成空間。

具体的には、研究チームは24種類のRHEAを合成し、その中でもZrNbMoHfTa合金に高温用途の可能性があることを確認した。_0.13注意_0.27モー_0.26f_0.13タ_0.21  この合金は、1200°C での降伏強度が約 940 MPa、室温での破壊ひずみが 17.2% という優れた機械的強度を示します。この合金の優れた耐熱性と優れた構造安定性は、高温での構造用途への可能性を示しており、室温での延性により合金の加工性が向上します。

関連する結果は、「最適な強度と延性を備えた耐火性高エントロピー合金の機械学習支援組成設計」というタイトルで Engineering 誌に掲載されました。

研究のハイライト:

* この研究は、ML、遺伝子検索、クラスター分析、実験フィードバックを統合することにより、高温強度と室温延性を備えた RHEA の成分の発見を加速する方法を提案します

*Zr_0.13注意_0.27モー_0.26f_0.13タ_0.21  1200°C でのこの合金の高降伏強度は、報告されているすべての RHEA を上回り、1200°C ではニッケル基超合金の使用温度限界も突破します。

* この研究は、RHEA の複数の性能最適化の基礎を築き、他の合金や材料システムの組成設計にもさらに適用できます。

用紙のアドレス:
https://www.sciencedirect.com/science/article/pii/S2095809924005113 

公開アカウントをフォローし、バックグラウンドで「耐火性高エントロピー合金」に返信すると、完全な PDF が表示されます

オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、大規模なデータ セットとツールを提供します。

https://github.com/hyperai/awesome-ai4s

データセット: 統計的手法を使用してより多くのデータセットを構築する

機械学習モデルを構築するために、研究者らは文献から第 4 族 (Ti、V、Cr)、第 5 族 (Zr、Nb、Mo)、第 6 族 (Hf、Ta、W) およびアルミニウムを含む高融点金属元素を収集しました。 (Alの合金サンプルデータ)。すべての合金は、材料処理による性能の差を減らすためにアーク溶解によって製造されます。初期データセットのデータエントリには、報告された組成 (ci) と機械的特性 (y) が含まれます。格子間元素 (酸素、窒素、炭素など) が追加された RHEA は考慮されず、収集された鋳放し合金にはいずれかの単相が含まれます。または多相構造。これに対応して、高温強度と室温延性という 2 つの目標特性をそれぞれ予測するために、54 合金サンプルと 145 合金サンプルの 2 つの独立したデータ セットが構築されました。

RHEA システムの検索空間が非常に大きいことを考えると、最高のパフォーマンスを持つ材料を見つけるには、小規模なデータでトレーニングされた ML モデルに基づく予測のみに依存するだけでは十分ではありません。期待される効用を最大化するために実験用に多数の合金を選択する効用関数を定義できます。この研究では、研究者らは、探索（予測モデルの改善を目的）と活用（最良の予測結果を見つけることを目的）のバランスをとるためのユーティリティ指標として、目標パフォーマンスの期待改善（EI）を採用しました。具体的には、よく知られた統計手法「ブートストラップ法」を使用して、置換を伴うサンプリングを実行してより多くのデータセットを構築し、これらのデータセットを使用してさまざまな ML モデルをトレーニングします。

モデル アーキテクチャ: ML、遺伝子検索、クラスター分析、実験計画を統合した MOO 戦略

以下の図 (a) は、RHEA の設計を最適化するためにこの研究で使用された MOO 戦略を示しています。全体的なワークフローは 3 つの部分に分かれています。

* まず、機械学習: 下図の左側に示すように、ML モデルを選択して、特定の合金ターゲット特性の期待改善 (EI) 値を計算します。

* 2 番目の遺伝的検索: 下図の中央では、非優勢ソーティング遺伝的アルゴリズム (NSGA) II を使用して、目標性能の期待改善値に基づいて候補合金成分を検索します。

* 3 番目、実験フィードバック: 下図の右側、合金選択の実験フィードバックとクラスター分析による実験検証

機械学習: svr.r モデルで高温降伏強度、室温破壊ひずみを評価

上に示したように、研究者らは、組成と特性の間の関係を確立することによって、合金の目標特性を予測するために ML モデルをトレーニングしました。収集された合金に含まれる 10 種類の元素のモル組成は入力特徴として直接使用され、2 つのターゲット特性 (高温降伏強度と室温破壊ひずみ) が ML モデルの出力となりました。

この研究では、回帰に一般的に使用される 9 つのモデルを検討し、二乗平均平方根誤差 (RMSE)、平均絶対誤差 (MAE)、およびピアソン相関係数 r² を使用してモデルのパフォーマンスを評価しました。研究結果に基づいて、その後の遺伝子探索において、高温降伏強度と室温破壊ひずみを評価するための最終モデルとして svr.r モデルが選択されました。

遺伝子検索: 候補合金組成の検索

遺伝子検索は、これまで、高エントロピー合金 (HEA) およびニッケル基超合金の組成設計に使用されてきました。ここでは、ML 予測に基づいて計算された EI 値が NSGA-II アルゴリズムの入力として使用され、選択、交叉、突然変異の後、パレート フロント (PF) とパレート フロント (PF) が生成されます。各遺伝的反復の終わりで、ソリューションのフロンティアを支配します。

より具体的には、母集団の初期化後、研究者らはブートストラップ サンプリングを使用して、トレーニング データに基づいて追加のデータセットを構築しました。サンプルをブートストラップしてモデルをトレーニングした後、特性の平均値とそれに関連する不確実性を取得して、各合金の EI 値を計算できます。数世代の選択、交叉、突然変異の後、EI 結果の PF (EI のパレート フォント) が得られます。最後に、100 世代後、ランダムに選択された 100 個の初期集団の結果が要約され、収束した最適な PF が得られます。

実験フィードバック: 合金の選択とクラスター分析による実験検証を含む

未知の化合物の合成をガイドするために、研究者らは、以下の (c) に示すように、PF でクラスター分析を実行し、k 平均法を使用してクラスター中心から合金候補を選択しました。このステップでは、測定値をトレーニング データ セットに組み込むことで、ML モデルを反復的に改善できます。

研究結果: ZrNbMoHfTa 合金系には高温用途の可能性があることが判明

研究者らは、上記の方法を使用して、24 の予測合金組成を合成し、特性評価しました。以下の図に示すように、この研究では、4 つの合金の高温降伏強度と室温破壊ひずみが、それぞれ 714 ～ 1061 MPa と 17.2% ～ 50.0% という優れた組み合わせに達していることがわかりました。研究者らは、次のようにトレーニング データセット (T データ、P1 ～ P7) の合金特性を MOO 最適化後の結果 (E24、E19、E17、および E21) と比較しました。

まず、MOO 最適化後の RHEA の性能向上を見てみましょう。MOO 戦略の結果を説明するために、研究者らは、以下に示すように、元のパレート フロント (PF) と新しい PF における合金の 2 つの目標特性を比較しました。上の表では、最適化後、両方のターゲットのパフォーマンスが大幅に向上しました。

具体的には、延性の高い合金 (>50%) を考慮すると、E24 合金の高温降伏強さ (HT) は P1 のほぼ 2.5 倍です (つまり、典型的な TaNbHfZrTi 合金の高温降伏強さはわずか 295 MPa です)。同様に、1000 °C での降伏強度 (>1000 MPa) が高い合金を考慮すると、E21 の破壊ひずみは P6 のほぼ 3 倍であり、合金 P2、P3、P4、および P5 もいくつかの最適化された材料によって支配されています。 P2 と比較して、E24 の降伏強度は 41.7% 増加し、破壊ひずみも 54.3% 以上増加しました。 E19 および E17 合金は、高温強度と室温延性も向上しています。

要約すると、代表的な NbMoTaW 合金 (高温降伏強度 548 MPa、破壊ひずみ 2.6%) や NbMoTaWV 合金 (高温降伏強度 842 MPa、破壊ひずみ 1.7%) と比較すると、新しく設計された RHEA のほとんどは、高温降伏強度と室温延性が大幅に向上しています。

次に、最適化された合金の構造と軟化抵抗を調べます。研究者らは、高温での潜在的な工学用途における構造安定性を調査するために、1000℃での圧縮変形前後の最適化された RHEA の相をさらに研究しました。以下の図 (a) および (b) に示す XRD 結果によると、鋳放し合金 E24、E19、および E17 の相は不規則な体心立方晶 (BCC) 固溶体で構成されていますが、合金 E21 は、 BCC構造を示し、少量のラーベス相を伴う。 XRD パターンは次のことを示しています最適化された RHEAS の高温変形前後の相構造は基本的に同じであり、最適化された RHEAS の良好な構造安定性を示しています。

研究者らはまた、高温変形下での合金 E21 の降伏応力を文献データと比較し、軟化に対する耐性が大幅に向上していることを示しました。複数の特性改善は、これらの RHEA が従来の超合金に取って代わる可能性があることを示しています。

つまり、研究者らは有望な合金系 ZrNbMoHfTa、特に組成 Zr を特定しました。_0.13注意_0.27モー_0.26f_0.13タ_0.211200°C でほぼ 940 MPa の降伏強度と、17.2% の破壊ひずみで良好な室温延性を示します。この組成物の 1200℃ での高降伏強度は報告されている RHEA の強度を超えており、1200℃ はすでにニッケル基超合金の使用温度限界を超えています。この合金の耐熱性と優れた構造安定性は、極端な温度での構造用途に対するその大きな可能性を示しています。

人工知能は材料科学において大きな応用価値を持っています

材料科学は現代産業の急速な発展の柱となる学問の一つと言えます。材料発見を加速するには、できるだけ少ない実験で目的の特性を持つ新材料を見つけることが鍵となります。しかし、材料の組成、構造、プロセスが複雑であるため、候補となる材料のスペースが膨大であり、効率的な新材料の設計が困難です。達成するために。これまで科学者たちは、既知の結晶を微調整したり、元素の新しい組み合わせを実験したりすることで新しい結晶構造を発見してきましたが、これは高価で時間のかかる試行錯誤のプロセスであり、多くの場合何か月もかかり、限られた結果しか得られませんでした。今日、AI はこの状況を完全に変えました。

2023 年 11 月末、Google の子会社である DeepMind は、材料科学向けの人工知能強化学習モデル Graph Networks for Materials Exploration (GNoME) を開発したと主張する大ヒット論文を Nature 誌に発表しました。一原理原理に基づく計算によれば、熱力学的に安定な結晶材料が38万個以上発見されており、これは「人類の知的蓄積800年を加えた」ことに相当し、新材料の発見が大幅に加速される。同年の 12 月、マイクロソフトは材料科学分野の人工知能生成モデルである MatterGen をリリースしました。これは、必要な材料特性に基づいて新しい材料構造をオンデマンドで予測できます。

GNoME の詳細: 人類より 800 年先を行く? DeepMind が GNoME をリリース、深層学習を使用して 220 万個の新しい結晶を予測

2024年6月、英国と日本の山本明康氏らは機械学習技術を利用して、研究者主導の手法とデータ主導の手法を組み合わせた研究システムを設計し、既知の世界最強の鉄系超電導磁石の作製に成功した。最新の研究は、次世代の磁気共鳴画像法（MRI）技術や将来の電化交通技術の開発を促進することが期待されています。関連論文のタイトルは「データと研究者主導のプロセス設計による鉄ベース超伝導体を使用した超強力永久磁石」で、Nature のサブジャーナル NPG Asia Materials に掲載されました。

全体として、機械学習や深層学習などの手法を組み合わせることで、科学者は材料の特性をより適切に予測し、分子の構造と特性をシミュレーションし、材料の設計と合成を最適化し、材料の微細構造と巨視的特性の関係を調査することができます。材料などこれらのアプリケーションは、材料科学の研究レベルの向上に役立つだけでなく、材料設計や製造などの分野にさらなる革新の機会をもたらします。

参考文献:
1.https://www.sciencedirect.com/science/article/pii/S2095809924005113
2.https://phys.org/news/2024-09-machine-discovery-high-temperature-alloys.html
3.https://m.huxiu.com/article/2748177.html
4.https://www.sohu.com/a/808673682_120136032