文献阅读：一种基于机器学习设计抗氢脆高熵合金的思路

本文设计出的高熵合金应用场景明确，低H扩散系数意味着可以抵御“氢脆”，因此低H扩散系数的高熵合金或可用于氢气的运输和存储等方面。 本文中用于ML训练的数据由DFT计算得到，而且ML方法仅是整个建模过程中的一环，前后都有其他处理。 或许，这就是计算材料人对ML的看法吧。 我个人还是倾向于把ML作为建模的终点的，它不应该有任何的后级。 因为ML的不可解释性会导致其对后续处理的影响无法讨论。

文献信息表[1]

项目	内容
年份	2021
doi	https://doi.org/10.1016/j.actamat.2021.117535
标题	Machine learning assisted design of FeCoNiCrMn high-entropy alloys with ultra-low hydrogen diffusion coefficients
标题（中文）	机器学习辅助设计具有超低氢扩散系数的FeCoNiCrMn高熵合金
作者	Xiao-Ye Zhou, Ji-Hua Zhu, Yuan Wu, Xu-Sheng Yang, Turab Lookman, Hong-Hui Wu

Keywords:

• Machine learning
• High entropy alloy
• Hydrogen embrittlement
• Material design

实验流程

图1: 合金设计流程图

本研究中合金设计的实验流程如图1所示。可以看到，合金设计流程可以分为4个阶段： 1.数据准备； 2.ML建模； 3.模型预测； 4.模型优化。

本文使用ANN进行机器学习，所使用的数据以SOAP 描述符(SOAP Descriptors)为输入，以相应的氢原子溶解能 (H Solution Energy)为输出。其中，SOAP描述符[2]描述的是给定氢原子所处的化学环境。 由DFT模拟计算得到。

当得到机器学习模型之后，提取预测结果也困难重重。首先，用于机器学习的不是合金的结构信息本身，而是合金结构对氢原子的作用，即，化学环境。其次，合金主元数量多导致搜索空间十分广泛，简单的网格搜索将导致过多无用结果且搜索时间过长。

因此，本文采用鲸鱼优化算法(WOA)快速搜索找到理想的预测值，这或许是整篇文章对我最有用的部分。

ML模型

图2: Performance of the ML models on the training set and the test set, respectively. (a,b) random forest model, (c,d) ridge regression model, (e,f) neural network model.

图2展示出文章中所使用的三种机器学习方法，RF、岭回归 (ridge regression)和NN的拟合效果。

可以看出，NN的学习效果最好，所有数据点都收敛在代表预测值等于实际值的那条斜线附近，且分布对称。但是数据集可能有问题，从右侧四张图来看，数据集中成两堆；RF模型的拟合效果实在是太不均匀，不禁让人觉得是训练得不好。

WOA的原理

鲸鱼优化算法是一种基于群智能的元启发式算法，它是根据鲸鱼围捕猎物的行为而提出的算法。与一般的受自然启发的群智能算法一致，鲸鱼优化算法是通过模拟座头鲸的捕食行为来搜索最优解。

该算法主要包括三种搜索机制，利用收缩环绕机制和螺旋上升机制实现算法的局部搜索，利用随机学习策略实现算法的全局搜索，具有过程简单，收敛速度快的优点，在解决优化问题时表现优异，应用领域广泛。

随着研究的深入，该算法在风速预测、特征选择、最优无功功率调度、二次分配问题、聚类、调度优化，图像分类等领域得到了成功的应用。

图3: 泡泡网攻击

WOA中，每头鲸鱼的行为有三个阶段： 1. 搜寻猎物 2. 包围猎物 3. 泡泡网攻击

该算法的伪代码如图4所示：

图4: WOA伪代码

Fin.

参考文献

[1]

X. Zhou, J. Zhu, Y. Wu, X. Yang, T. Lookman, and H. Wu, “Machine learning assisted design of FeCoNiCrMn high-entropy alloys with ultra-low hydrogen diffusion coefficients,” Acta Materialia, vol. 224, p. 117535, 2022, doi: https://doi.org/10.1016/j.actamat.2021.117535.

[2]

L. Himanen et al., “DScribe: Library of descriptors for machine learning in materials science,” Computer Physics Communications, vol. 247, p. 106949, 2020, doi: https://doi.org/10.1016/j.cpc.2019.106949.