9月25日消息，arXiv 9月23日公开的论文《Physics-guided inverse design of Co-based superalloys using machine learning and multi-objective optimization》（作者Prashil S. Joshi）提出了一套面向钴基高温合金的物理信息机器学习逆向设计框架，目标是提升γ'（gamma-prime）相固溶温度并同时控制合金密度。

新一代钴基高温合金的研发受制于庞大的成分设计空间与合金元素间复杂交互对γ'相稳定性的影响。该研究用四个物理描述符刻画支配相稳定性的化学因素：原子尺寸失配（δ-MV）、混合焓（ΔHm）、电负性失配（δ-EN）与价电子浓度失配（δ-VEC），并以留一法交叉验证评估回归算法——高斯过程回归（GPR）表现最佳，预测γ'固溶温度的R²=0.932、RMSE=34.7°C、MAE=25.9°C。

利用GPR的概率特性，框架在固溶温度与密度之间进行多目标优化，实现从目标性能反推合金成分的逆向设计。钴基高温合金被视为镍基合金之后航空发动机与燃气轮机叶片材料的重要方向，γ'相固溶温度直接决定材料的高温承温能力；将物理描述符嵌入机器学习，既缩小了数据需求，也提升了优化结果在成分空间外推时的可信度。 （来源：arXiv）