近日，国际著名学术期刊Advanced Materials《先进材料》（IF：29.40）在线发表了电气与自动化学院郭宇铮教授团队在人工智能与工程材料交叉领域取得的最新成果，论文题目为“Machine Learning Paves the Way for High Entropy Compounds Exploration: Challenges, Progress, and Outlook”，文章是今年六月郭宇铮教授课题组与付磊教授课题组合作发表在国际顶级期刊Nature上发表的“Liquid metal for high-entropy alloy nanoparticles synthesis”一文的延续与发展。电气与自动化学院2021级博士生万旭昊为论文的第一作者，郭宇铮教授为论文唯一通讯作者，武汉大学电气与自动化学院为第一单位，文章发表在《先进材料》武汉大学130周年校庆特刊。

人工智能（AI）已成为高熵化合物（HEC）研究领域的有力工具，高熵化合物因其广阔的化学组成空间和丰富的可调控性而吸引了全世界的关注。然而，高熵化合物复杂的化学空间同时也给传统的实验和模拟仿真方法带来了巨大的挑战。随着近年来计算机算力和深度学习算法的飞速发展，机器学习成为了解决这一挑战的有力工具。从微观上讲，机器学习可以建立复杂高熵化合物系统的哈密顿量模型，实现原子级的特征分析预测；从宏观上讲，机器学习可以分析材料的宏观特性，如稳定性、硬度、熔点和延展性等。

图1 建立机器学习模型设计电池中新型高效高熵氧化物电极的策略

在高熵化合物研究中可以采用各种机器学习算法，包括传统机器学习方法和深度神经网络。全面准确的数据收集、特征工程以及基于交叉验证进行的准确模型训练和选择对于建立优秀的机器学习模型至关重要。机器学习在分析高熵化合物相结构和稳定性、构建模拟仿真模型以及促进各种功能材料的设计方面也大有可为。尽管高熵化合物在作为磁性材料和器件材料的领域仍需进一步探索，但机器学习在作为储能材料、工程设备高可靠性材料以及生物电子材料领域中已经展现出巨大的潜力。

最后，该项工作还展望了利用机器学习方法研究高熵化合物亟待解决的一些问题。首先该领域需要整合不同来源建立高熵化合物大规模、多样化的数据集的来提高深度学习模型的准确性和泛化。其次可以开发多尺度建模方法，纳入不同尺度的信息，从而更准确地描述高熵化合物的特征与行为。这涉及使用各种方法来描述其机械和电磁特性。在每个尺度上应用机器学习找到在不同尺度之间无缝耦合和传递信息的方法，捕捉高熵化合物的层次性，揭示不同长度尺度之间的关系，更全面地了解它们的结构-性能关系。

总之，机器学习已成为理解和利用高熵化合物设计先进工程材料不可或缺的工具，是人工智能协助科学领域探索新范式的基础。研究工作得到自然科学基金联合基金项目（U2241244）和中央高校基本科研业务费的资助。

论文链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202305192

相关论文

郭宇铮教授课题组已在人工智能和高熵化合物这一交叉学科领域取得许多成果，发表在《Nature》《Patterns》《ACS Catalysis》等国际顶尖学术期刊上，相关链接如下：

《Nature》：https://www.nature.com/articles/s41586-023-06082-9

《Patterns》：https://www.sciencedirect.com/science/article/pii/S2666389922001581

《ACS Catalysis》：https://www.pubs.acs.org/doi/abs/10.1021/acscatal.2c02946

《Materials Reports》https://www.sciencedirect.com/science/article/pii/S2666935821000811

相关论文Github：https://www.github.com/XuhaoWan

(撰稿：万旭昊，郭宇铮 审稿：袁佳歆 责编：华小梅)