研究者限定合金体系、主动学习挑成分：HEA05 在 1.75 GPa 屈服强度下保持 25% 均匀延伸

2025 年 6 月，西安交通大学团队在 Nature 上报道了多主元合金 Fe₃₅Ni₂₉Co₂₁Al₁₂Ta₃，论文称之为 HEA05。研究者实际熔炼、轧制并热处理了这种合金，随后做了室温拉伸和多尺度显微组织表征。^[S1]

经 750 °C、1 小时的代表性时效处理后，HEA05 的屈服强度达到 1,750 ± 50 MPa，抗拉强度 2,403 ± 46 MPa，均匀延伸率仍有 25 ± 1.5%。断裂前真应力接近 3 GPa，加工硬化率在很大的应变范围内都高于 2 GPa。^[S1]

块体金属强度接近 2 GPa 时，通常很难再保有大的均匀塑性。一些超高强钢的名义延伸率里含有 Lüders 带或 Portevin–Le Châtelier 带造成的局部变形；传统沉淀强化的高熵、中熵合金，屈服强度又大多低于约 1.2 GPa。HEA05 的应力-应变曲线则很平滑，同一成分只改加工条件，就能在 1.5 GPa / 31% 到 1.95 GPa / 15% 之间调节强塑性组合。^[S1]

66.6% + 15%

L1₂ 与 B2 的体积分数^[S1]

1.5 / 31% → 1.95 / 15%

同一成分经不同工艺实现的强度（GPa）/ 均匀延伸范围^[S1]

模型并不是从整张周期表里凭空造出合金

论文估计，多组元合金的潜在组合约有 10⁴⁹ 种；这是泛泛的潜在组合数，不是模型实际搜索的空间。团队没有把这片空间直接丢给黑箱模型，而是先凭材料知识选定 FeNiCo FCC 基体，再加入 Al 和 Ta，目标是获得固溶强化、高体积分数的共格 L1₂ 纳米沉淀，以及数量受控、仍能变形的 B2 相。^[S1]

主动学习的起点是 140 个 AlCoCrFeNiTa 体系 FCC 高熵合金的文献数据。研究者把各元素限定在给定范围内（如 Al 5–13 at.%、Ta 1–3 at.%），从 20 个候选物理特征中保留 6 个，并用 7.8 ≤ VEC ≤ 8.4 筛选虚拟成分；每轮之后还会调整主元素和成分范围。随机森林代理模型每轮推荐两个候选，一个纯取预测最高，一个兼顾不确定性；研究者实际熔炼、冷轧、再结晶、时效并拉伸后，再把结果放回训练集。四轮共制备并测试 8 个新成分，第一轮两个成分的屈服强度为 900 和 685 MPa，后三轮六个在 1,288–1,750 MPa 之间，HEA05 出自第三轮。重复拉伸、不同热处理和组织表征都是这 8 个成分之外另做的实验。^[S1][S2]

补充材料还记下了此前一次没成功的尝试：在含 Ti 的 AlCoCrFeNiTi 体系（200 条文献数据）上迭代四轮，没有得到超过训练数据的合金。研究者判断 Ti 对 L1₂ 的强化不如 Ta，把 Ti 换成 Ta 重新训练，模型才把他们引向高 Al 成分，并在第三轮达到强度目标。换哪种元素，是人做的决定。^[S1]

这条边界很重要。模型主要用来搜索化学成分，目标侧重屈服强度；它没有直接预测出“1.75 GPa + 25%”，也没有自主给出最终的三相组织。轧制、再结晶和时效仍由研究者设计。更准确的流程是：领域知识缩小空间，模型挑选成分，实验返回数据，最终性能靠微观组织工程实现。^[S1]

性能来自 L1₂ + B2 双沉淀组织

代表性 HEA05 以平均晶粒约 7.6 μm 的 FCC 基体为主，内有两类尺寸不同的析出相：约 15 ± 3 nm、体积分数 66.6 ± 2.3% 的共格 L1₂ 纳米沉淀，以及约 350 ± 70 nm、体积分数 15 ± 2% 的非共格 B2 沉淀。^[S1]

作者估算，L1₂ 对屈服强度的贡献约 859 MPa，B2 约 351 MPa，其余来自晶格摩擦、预存位错和晶界。高体积分数的 L1₂ 是最主要的强化来源；Ta 提高了 L1₂ 的反相畴界能，位错要切过有序沉淀就得付出更多能量。^[S1]

B2 的表现则不同寻常。传统 NiAl 型 B2 很硬，也往往很脆；HEA05 中的多组元 B2 化学有序能较低，Ta 等元素使其反相畴界能比二元 NiAl 低约 30%。因此位错能够进入 B2，并在拉伸中继续增殖、储存。B2 既抬高了屈服强度，也参与后续的加工硬化。^[S1]

真正值得看的是 25% 均匀延伸

拉伸时要持续均匀变形，加工硬化就必须抵消截面缩小带来的失稳。HEA05 从 1.75 GPa 屈服一路硬化到 2.40 GPa 抗拉强度，相差约 650 MPa，屈强比仅约 0.73；加工硬化曲线上没有明显的应力锯齿或骤降。^[S1]

B2 中的几何必要位错密度从变形前的约 0.8 × 10¹⁴ m⁻² 升至 20% 应变时的 6.8 × 10¹⁴ m⁻²，甚至高于同一应变下 FCC/L1₂ 区域的约 5.4 × 10¹⁴ m⁻²。各相之间变形不协调，还会带来异质变形诱导（HDI）硬化。这种合金不只是屈服时强，进入塑性阶段后仍在不断储存位错。^[S1]

这是一项小数据 AI4S 工作。140 个样本对现代机器学习来说很少，但在材料科学里，完整的成分-工艺-组织-性能标签本来就昂贵。团队没有拿更复杂的模型掩盖数据不足，而是让 VEC、原子尺寸错配、相稳定性和沉淀强化等知识直接参与缩减搜索空间。^[S1]

模型可以很快生成大量候选，实验室每轮却只能熔炼、测试两个，这时多生成成分已经不是最紧的约束。主动学习在这里更像是分配实验预算的机制：挑出最可能提升性能的候选，或者即便失败也最能降低模型不确定性的候选。

HEA05 还算不上自动驾驶实验室，熔炼、加工、表征和判断大多仍靠人。但它已经接上了闭环中关键的一段：模型提出成分，物理实验返回结果，下一轮据此调整。在这里，experiments-to-discovery、time-to-verification 和单次实验带来的信息量，可能比单看 R² 或 RMSE 更重要。

这不是只靠计算指标撑起来的“AI 设计材料”。

HEA05 经过实际制备和重复室温拉伸（每个状态至少三个试样；论文没有说明 ± 是标准差还是其他离散度），组织用 XRD、TEM、SEM、EBSD、TKD、APT 和同步辐射散射等方法做了表征。1.75 GPa 和 25% 是实测数据，不是模型输出；训练数据和代码也已公开。^[S1][S2]

“机器学习设计”应作狭义理解。

模型没有直接优化 1.75 GPa 和 25% 这两个目标，也没有端到端预测三相组织。元素体系、物理特征和 VEC 约束由专家选定，最终组织则取决于后续加工。这是机器学习辅助的合金设计（ML-assisted alloy design），不是完全自主的发现。^[S1]

离工程材料还远，验证只走到早期阶段。

论文验证了室温强塑性和变形机制，但没有提供长期高温稳定性、疲劳寿命、断裂韧性、耐腐蚀、规模化加工和工业认证方面的数据。HEA05 还含 3 at.% Ta；如何降低成本、在大尺寸产品中稳定复现同样的析出结构，仍是未解决的问题。^[S1]

领域知识可以直接成为搜索算法的一部分

材料知识界定元素体系、物理特征和相结构约束，机器学习在剩下的空间里挑选下一次昂贵的实验。对小数据科学来说，这种分工比把领域知识和模型对立起来更现实。

主动学习分配的是稀缺的物理标签

模型推理很便宜，熔炼、热处理、表征和拉伸却很贵。主动学习回答的是一个具体问题：这一轮只能做两个实验，下一步最值得向自然提出的问题是什么？

找到成分和解释性能，是两件不同的事

主动学习找到了 HEA05 的成分，但要靠后续实验才说清 L1₂ 怎样强化、B2 为什么没有简单地让材料变脆，以及 B2 如何在变形后期储存位错。在 AI4S 中，预测和科学理解仍需各自拿出证据。

硬的第二相，不一定只是位错的障碍

通过多组元合金化降低 B2 的有序能，通常被看作又硬又脆的金属间化合物相也能参与变形、储存位错并维持加工硬化。这个材料学细节，比“AI 找到破纪录合金”更值得记住。