Npj Comput. Mater.: 机器学习"炼金术"：从黑箱模型到可共享的材料设计规则

本文探讨了机器学习在材料科学中的应用，特别是针对多主元高温合金（MPESAs）的设计问题。研究背景指出，虽然机器学习在加速新材料开发方面表现出色，但模型难以共享的问题限制了其进一步发展。研究目的是通过将机器学习模型转化为可理解的材料设计规则，解决模型共享难题。研究团队构建了两个分类模型，分别用于预测L12相形成和其他杂相析出，并采用SHAP方法提取关键知识，转化为明确的设计规则。最终确立的设计策略包括VEC > 8，-16.0 < ΔHmix< -9.7 J mol-1 K-1，以及1671 < Tm < 1822 K。实验验证表明，基于这一策略设计的12种合金均展现出理想的"FCC+L12"双相结构，其中一种合金性能尤为突出。研究结论指出，这种方法不仅为MPESAs设计提供了高效策略，还为机器学习在材料科学中的共享问题提供了普适性解决方案。