高熵合金(HEAs)因其独特的成分设计和优异的物理、化学性能而备受关注。在高熵合金系统中,相变行为的建模因系统的复杂性和规模而面临双重挑战。传统的简单合金相变理论基于还原论,在处理复杂系统时存在明显局限性。基于此,太原理工大学的乔珺威教授团队通过结合重整化群(RG)理论与机器学习方法,提出了一种实用的相变描述方法:基于信息论的重整化群。相关研究成果以“Cooperative Game During Phase Transformations in Complex Alloy Systems”为题在Scripta Materialia上发表。
研究团队通过大量实验数据,构建了一个合金成分的数据库,并基于此验证了模型的有效性。通过机器学习模型,该团队在测试集上实现了较高预测准确率。此外,团队还运用了合作博弈理论进一步解释所建立的数学模型,发现该模型能够包含前人提出的一些相变准则,这为从新的角度理解合金中的有序-无序相变提供了重要见解。在特征构建方面,团队引入了70余种特征参量,包括振动熵、弹性熵及元素周期表中的拓扑特征。研究使用了 XGBoost 算法,并引入了 Shapley 值等特征重要性评估方法,以提高模型的可解释性。研究结果显示,相变中的合作现象在高熵合金中起着至关重要的作用,是系统中内在有序性的一种反映。本研究不仅为复杂合金系统提供了高精度的相变预测模型,也为理解和设计复杂合金提供了新的理论基础和研究思路。