9月17日消息，日本大阪市立大学（Osaka Metropolitan University）信息学研究科 Tokuteru Uesugi 教授团队开发出基于迁移学习的AI修正方法，可显著修正合金第一性原理计算与实验值之间的偏差，成果发表于期刊《Materialia》。

合金的性能——强度、稳定性等——可通过添加不同元素来定制，而理解这些性能的关键参数之一是体积尺寸因子（VSF），它量化原子尺寸差异引起的晶格畸变。然而，VSF 的实验测定耗时且成本高昂，导致大量合金体系缺乏可靠数据；虽然第一性原理计算也可预测VSF，但在某些体系中计算值与实验值存在显著偏差，限制了其可信度。

该团队基于 1998个二元固溶体体系的第一性原理计算构建了大规模VSF数据库，进而开发迁移学习方法对计算-实验偏差进行修正：结果在已有实验数据的合金体系上提升了预测精度，同时对此前未被探索的合金体系展现出可靠的预测性能。

Uesugi 表示，该成果有望让研究者在开展昂贵实验之前，先在计算机上识别有前景的合金候选——包括那些实验上难以研究的体系；这将推动材料开发从传统“制备—测试”的试错范式转向“先预测、后制备”的高效模式，从而缩短开发周期、降低实验成本。对合金材料研发而言，该方法为高通量计算筛选提供了可信度修正工具，尤其对实验数据稀缺的新体系具有直接应用价值。 （来源：Phys.org）