报告题目(中文)：基于机器学习的高熵因瓦合金设计

报告内容简介：高熵合金是由多种主要元素组成的固溶体，具巨大的成分空间和优异的性能。现有的热力学合金设计规则在高维成分空间中往往失效，发现具有优异性能的高熵合金往往过于依赖于随机实验。我们提出了一种主动学习的机器学习策略，能够基于非常稀疏的数据点在几乎无限的成分空间中加速高熵因瓦合金的设计。我们的方法将机器学习与密度泛函理论、热力学计算和实验相结合形成一个闭环工作。在对数百万种可能成分中的 17 种新合金进行加工和表征后，我们确定了两种具有极低热稳定性的高熵因瓦合金，它们在 300 开尔文时的膨胀系数约为2 × 10^?6/K。我们相信基于机器学习的方法是未来快速发现具有最佳热、磁和电性能的高熵合金的合适途径。

报告人姓名：饶梓元

报告人简介(中文)：现为德国马克思普朗克研究所人工智能材料科学研究组(Artificial Intelligence for Materials Science)组长。主要研究方向: （1）高熵合金的开发与设计 （高熵因瓦合金，高熵软磁材料，高熵硬磁材料等）。（2）基于机器学习的金属材料设计，主要算法包括生成模型、集成学习和反向设计等，应用领域包括钢、高熵合金和磁性材料等。（3）基于机器学习的三维原子探针数据分析，主要算法为一维、二维和三维卷积神经网络，解决三维原子探针数据的成分和结构分析问题。本科和硕士就读于北京科技大学，博士就读于德国马克思普朗克钢铁研究所并取得了德国亚琛工业大学的博士学位，导师为著名材料学家、德国国家科学院院士兼任马普钢铁所所长Dierk Raabe 教授。自主设计并完善的高熵因瓦合金在室温时具有极低的热膨胀系数以及优异的综合性能如力学性能、抗腐蚀性能等，应用领域包括精密航空航空材料及液化天然气船的储氢罐等。提出的基于机器学习的合金材料设计框架结构具有高效性和普适性，能够应用在不同材料和性能的设计上，相关成果以第一作者在Science上发表。主持和参加多个德国、欧盟研究项目，关于机器学习材料设计的研究方法被国内外十余家媒体包括瑞典国家电视台专访报道。相关工作发表在Science, Nature Communication, Advanced Materials, Advanced Functional Materials, Materials Today, Acta Materialia, Corrosion Science 等期刊上。

报告人单位(中文)：马克斯普朗克钢铁研究所

报告时间：2023-05-11 14:00

报告地点：宝山校区东区8号楼508

主办单位：上海大学

联系人：刘剑