机器学习技术促进了从医疗保健到高能物理等科技领域的进步。现在，机器学习有望帮助火力发电厂加速开发更坚固的合金，尤其是不锈钢。更坚固的材料是高效生产能源的关键，从而带来经济和脱碳效益。「在发电厂中的使用超高强度钢的历史可追溯到20世纪50年代，随着时间的推移，材料逐渐改进。」太平洋西北国家实验室 (PNNL) 的博士后研究助理 Osman Mamun 说。「如果我们能找到加快改进或创造新材料的方法，我们就能看到工厂效率提高，同时减少排放到大气中的碳量。」Mamun 是最近两篇相关期刊文章的主要作者，这些文章揭示了机器学习在高级合金设计中的应用新策略。这些文章记录了 PNNL 和国家能源技术实验室 (NETL) 共同努力的研究成果。除了Mamun，研究团队还包括 PNNL 的 Arun Sathanur 和 Ram Devanathan，以及 NETL 的 Madison Wenzlick 和 Jeff Hawk。这项工作由美国能源部 (DOE) 化石能源办公室通过极端环境材料联盟（eXtreme environment MATerials consortium，XMAT）资助，其中包括来自七个 DOE 国家实验室的研究贡献。该联盟寻求加速开发用于各种发电厂部件的改进耐热合金，并预测合金的长期性能。火力发电厂的内部环境是无情的。超过 650 摄氏度的工作温度和超过 50 兆帕的压力对工厂的钢部件进行考验。「而且，高温和高压以及可靠的组件对于提高热力学效率至关重要，从而减少碳排放并提高成本效益。」 Mamun解释道。PNNL-NETL的合作侧重于两种材料类型：奥氏体不锈钢和含9-12% 铬铁素体-马氏体合金 (FMA)。奥氏体不锈钢因其强度高、耐腐蚀性好而广泛应用于工厂，但其在高温下的使用寿命有限。含9-12% 铬铁素体-马氏体合金 (9-12% Cr FMA)也具有强度优势，但容易氧化和腐蚀。工厂运营商需要能抗断裂并持续数十年的材料。要想设计具有更长使用寿命的高强度钢，需要彻底了解材料的长期特性，例如断裂强度、断裂寿命等。随着时间的推移，「试错法」 的实验方法逐渐改进了钢材，但效率低下、耗时且成本高昂。加快开发具有优异性能的新型材料至关重要。需要预测断裂强度和寿命的模型。Mamun 说，计算建模和机器学习的最新进展，已成为更快获得更好材料的重要新工具。机器学习是人工智能的一种形式，它将算法应用于数据集，为科学问题开发更快的解决方案。这种能力在世界范围内的研究中产生了巨大的影响，在某些情况下，可以节省大量的科学发现和技术发展时间。NNL-NETL研究团队的第一篇文章《用于铁基马氏体和奥氏体合金断裂强度预测的机器学习辅助可解释模型》「A Machine Learning Aided Interpretable Model for Rupture Strength Prediction in Fe-based Martensitic and Austenitic Alloys」于3月9日发表在《科学报告》（Scientific Reports）杂志上，描述了机器学习在合金断裂强度预测的应用。该论文叙述了该团队使用三种不同算法（高斯过程回归 (GPR)、 神经网络 (NN)和 梯度提升决策树 (GBDT)）增强和分析不锈钢数据集。最终目标是为两种合金的断裂强度构建准确的预测模型。研究表明：一种称为梯度增强决策树（Gradient Boosted Decision Tree，GBDT）的算法最能满足构建机器学习模型以准确预测断裂强度的需求。
9-12% Cr FMA（左）和奥氏体不锈钢（右）的 GBDT 回归测试数据的奇偶图训练后的模型已针对未见的测试数据进行了交叉验证，并在相关系数方面取得了很高的预测性能（9-12% Cr FMA 的 R2>0.98，奥氏体不锈钢的 R2>0.95）。此外，研究人员认为，将所得模型集成到现有合金设计策略中，可以加快识别具有处理应力和张力优异性能的有前途的不锈钢。
9-12% Cr FMA（左）和奥氏体不锈钢（右）不同特征的重要性研究小组成员、PNNL计算材料科学家Ram Devanathan说：「该研究项目不仅朝扩展发电厂钢铁的运行范围更好的方法迈出了一步，而且还展示了以物理学为基础的机器学习模型，使科学家进行解释。」项目团队的第二篇文章《铁素体钢和奥氏体钢的断裂寿命的机器学习增强预测和生成模型》「Machine Learning Augmented Predictive and Generative Model for Rupture Life in Ferritic and Austenitic Steels」发表在4月16日的《npj Materials Degradation》上。研究表明：基于机器学习的预测模型可以可靠地估计两种合金的断裂寿命。研究人员还描述了一种生成合成合金的方法，该方法可用于增加现有的稀疏不锈钢数据集，并确定了这种方法的局限性。在机器学习模型中使用这些「假设合金」可以评估候选材料的性能，而无需先在实验室中合成它们。基于变分自编码器 (VAE) 的生成模型用于创建合成合金样本，以协助合金的逆向设计。开发的生成模型的另一个应用是数据增强，以提高 ML 模型的性能。 研究表明VAE 生成的样品主要取自有更多实验数据可用的空间，即无法从高破裂寿命空间生成合金。 有几种方法可以改进采样，例如马尔可夫链蒙特卡罗 (MCMC) 采样。
真实样品和机器学习模型预测生成样品的断裂寿命的小提琴图（a: 9–12% Cr 数据集；b：奥氏体钢数据集）Devanathan 说：「这些发现建立在早期论文的结论之上，代表了在极端环境下建立可解释的合金性能模型的又一步，同时也为数据集的开发提供了见解。这两篇论文都展示了 XMAT 在这个快速发展的领域中的思想领导地位。」论文链接：
https://www.nature.com/articles/s41529-021-00166-5
https://www.nature.com/articles/s41598-021-83694-z
参考内容：https://phys.org/news/2021-06-ally-alloys-ai-high-performance-steels.html
