7月30日消息，一项发表于arXiv预印本平台的研究开发了AE-GCN-LSTM深度学习代理框架，用于预测多组分多相系统中的微结构长期演化，以AlCrFeNi高熵合金为验证体系。 相场建模是预测微结构演化的有力工具，但对于多组分多相系统，在大空间和时间尺度上的计算成本极高，难以应用于工程实践。该研究通过深度学习代理模型解决了这一瓶颈。 具体方法上，框架使用多头自编码器将四种元素浓度场和相场序参量压缩为潜在表示，然后构建图结构以学习其空间和时间演化。模型在仅使用100x100计算域和单一标称合金成分训练后，成功将预测范围扩展到300万模拟步。 研究团队系统评估了模型在未见条件下的鲁棒性，包括FCC析出相尺寸和初始位置变化、含一个/两个/五个FCC析出相的微结构，以及涉及析出相合并和分裂的复杂相相互作用。尽管仅在小规模域上训练，框架成功迁移到256x256和512x512的更大系统及未见过的AlCrFeNi成分。 在所有评估配置中，模型均保持了主要相形态和成分演化的准确性，同时相比传统相场模拟实现了显著的计算加速。论文第一作者为Hamidreza Razavi。 高熵合金是近年来材料科学的热点领域，其多主元特性赋予材料优异的力学和功能性能。高效预测其微结构演化对于合金设计和工程应用具有重要意义。该深度学习框架为加速高熵合金和其他多组分材料的研发提供了新的计算范式。 （来源：arXiv）