机器学习在镁合金应用中的研究进展

摘要

在材料基因工程的背景下，基于数据驱动的机器学习技术作为一种强大的新型工具在镁合金的研究领域得到了广泛的关注.机器学习可以绕过几乎任何复杂的实验过程，只要确定描述符和目标属性之间的联系，就能以较低的成本，快捷地预测材料的性能.传统的实验试错法和基于密度泛函理论的方法由于时间成本高、效率低，难以满足材料科学的不断发展需求.本文综述了机器学习在镁合金应用中的研究进展.首先简述了机器学习的基本流程和各种方法，主要包括数据集收集、数据预处理、模型构建和性能评估，并对机器学习算法的分类进行了总结.重点介绍了机器学习在镁合金加工工艺、显微组织、力学性能、耐蚀性能、储氢性能、固有属性（强化机制、各向异性等）和逆向设计等诸多方面应用的研究成就.机器学习模型不仅加速了新型高性能镁合金的设计过程，而且推动了镁合金塑性变形机理的深入研究.最后，分析了机器学习在镁合金研究应用中一些亟待解决的问题，并据此提出了机器学习在镁合金应用方面未来的研究方向和发展趋势.

关键词

机器学习 / 镁合金 / 性能预测 / 合金设计 / 数据驱动

基金资助

国家自然科学基金资助项目(52371108,52201119); 龙门实验室前沿探索课题资助项目（LMQYTSKT014）