目前，社會對具有改進的高溫使用性能的優質合金的需求不斷增加，需要對其成分進行精確設計。然而，篩選合金性能（如抗蠕變性和微觀結構穩定性）的常規方法會耗費大量時間和資源。

為此，中南大學白利春教授、黃嵐教授及譚黎明聯合新加坡南洋理工大學周琨教授等人以鎳基高溫合金為例，致力于開發一種高溫合金的高通量設計策略以加速其成分選擇并實現最佳性能。

首先，作者進行了高通量實驗，通過系統設計合金擴散倍數在單個樣品中獲得多個擴散對，并采用自動成分檢測技術快速收集成分分布。

之后，利用HitDIC軟件進行高通量計算得到包含鎳基高溫合金原子遷移率和互擴散率的數據庫。然后使用該數據庫來提高Lifshitz-Slyozof-Wagner（LSW）粗化和最小蠕變速率（MCR）模型的準確性，該模型可用于評估鎳基高溫合金的γ’粗化和蠕變行為。這對于確定這些合金的機械性能和微觀結構穩定性非常重要，通過將這些預測與文獻進行比較驗證了模型預測的準確性。

圖1. 鎳基高溫合金互擴散系數的高通量測定

接下來，作者采用無監督機器學習，即通過使用K-均值聚類算法根據其蠕變速率和結構穩定性對鎳基合金的成分進行分類。然后可以確定具有最佳抗蠕變性和結構穩定性的成分范圍，其中獲得了超過648000種具有不同成分的鎳基合金并最終確定了綜合最優性能的兩種合金。通過實驗驗證了選擇的可靠性，這兩種鎳基合金在高溫下表現出比其他成分的合金更高的優異抗蠕變性和結構穩定性。該設計策略的高精度和高效率歸因于3個方面：

（1）多組分擴散偶方法比傳統的擴散偶方法具有更高的效率；

（2）開發了多組分鎳基高溫合金的原子遷移率數據庫來計算關鍵的有效擴散系數；

（3）細化的LSW粗化和MCR模型在預測粗化率常數和MCR方面具有更高的準確性。

總之，該高通量設計策略可有效地加速多組分材料的開發，包括鈦基、鋁基、鐵基，甚至高熵合金。此外，這種策略能夠應對在無限成分空間中發現新型合金的挑戰，從而滿足高溫材料的增長需求。

圖2. 機器學習輔助合金設計的驗證

High-Throughput Method-Accelerated Design of Ni-Based Superalloys, Advanced Functional Materials 2022. DOI: 10.1002/adfm.202109367