近期，材料科学与工程学院王清教授及团队成员在模拟计算和机器学习方面取得重要进展。王清教授所在的材料设计课题组一直致力于高性能合金材料的设计与研发工作，围绕董闯教授提出的作为‘材料基因’的团簇结构模型，形成了实用的团簇式成分设计方法，提升了合金研发效率，发展出一系列高性能工程合金材料，并在多个领域得到了应用。

材料的性能与多个尺度的微观组织结构密切相关，主要包括元素组合和基因单元等。前期工作中，课题组利用独创的团簇式成分设计方法实现了对合金微观组织的调控，首次从实验中获得了立方形态B2纳米粒子在BCC基体上共格析出，展现出优异的力学性能。该工作在2018年发表在国际金属材料领域顶级期刊《Acta Materialia》上，且被评为‘高被引论文’。在此基础上，采用相场方法模拟了共格组织的演化过程，揭示了材料微观组织的成分关联机制，实现了对材料宏观力学性能的调控，由此形成以性能目标为导向的高性能工程合金成分设计。目前，该工作以‘Phase-field simulation of coherent BCC/B2 microstructures in high entropy alloys’为题再次被《Acta Materialia》刊出。

图1. 团簇式方法设计的合金共格组织及相场模拟

在‘材料基因组计划’的发展中，跨尺度计算材料学突显理性设计的优势，其中体系特征参数辅助的机器学习方法在高性能工程合金研发过程中展现出独特的潜力。然而，体系特征参数并未与成分直接关联，导致在以性能为导向预测新合金时需要搜索较大的成分空间，增加了实验验证的难度。该课题组利用团簇成分式解决了上述问题，有效提升了机器学习的预测精度。在最新的研究工作中，系统构建了BCC-bTi合金成分(c_i)与合金性能(弹性模量E)之间的关联，并对机器学习的预测结果进行了实验验证，发现团簇式的嵌入使得实验结果与机器学习预测高度一致。目前，该工作以‘Cluster-formula-embedded machine learning for design of multicomponentb-Ti alloys with low Young’s modulus’为题发表在国际计算材料领域顶级期刊《npj Computational Materials》上。

图2 .团簇式嵌入的机器学习Ti合金成分-性能循环示意图

这两篇文章的第一作者分别是材料学院硕士研究生李金临和杨飞，通讯作者为材料学院王清和机械工程学院李震。此外，材料学院董闯教授和美国田纳西大学Peter K. Liaw教授参与了论文工作思路的讨论，并致谢国家自然科学基金91860108和‘十三五’重点研发计划2017YFB0702401等项目的资助。

论文链接：DOI: 10.1038/s41524-020-00372-w；

          DOI: 10.1016/j.actamat.2020.07.030