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。
| 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
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
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。
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：
Fin.