軟磁鐵基非晶合金具有強度高、軟磁性能優異、耐蝕性強等優點。80年代研究人員成功開發出的Fe-Co-P-B和Fe-Co-Si-B己經被用作軟磁材料，其商業名稱為METGLAS。1988年，研究者開發出Fe-Si-B-Cu-Nb (FINEMET)納米晶合金，又顯著地提高了其軟磁性能。此后幾十年盡管研究人員研發了大量的新型合金成分，但目前產業化應用的合金主要仍是上世紀八十年代開發的METGLAS和FINEMET。這從側面說明目前的大部分新型合金成分的綜合性能如非晶形成能力、飽和磁感應強度、矯頑力、磁導率和熱穩定性等仍然難以滿足服役要求。一方面，目前缺乏可以定量描述鐵基非晶合金成分與性能之間關系的準則；另一方面，迄今為止，鐵基非晶合金的成分設計主要依賴傳統的實驗試錯方法，這一研發過程復雜、效率低下、周期漫長且成本較高昂，成為快速、準確設計鐵基非晶合金亟需突破的技術難題。

隨著人工智能技術的進步，機器學習(Machine Learning)方法在數據挖掘領域獲得了長足的發展。在材料科學領域，機器學習已逐步應用于材料建模來更準確地預測材料特性。這些方法為解決材料的成分優化、處理工藝設計和性能研究等提供了科學有效的先進手段。然而，目前大多數機器學習算法都存在“黑匣子”問題，很難建立可定量描述鐵基非晶合金成分與性能關系的合金設計模型。因此，提高機器學習模型的可解釋性和透明度，將有助于模型的除錯、引導未來的數據收集方向、為特征構建和性能預測提供真正可靠的信息，最終建立合金本征特性與性能之間的定量關系。

圖1. XGBoost機器學習算法實現輸入特征評分 來自北京科技大學新金屬材料國家重點實驗室和北京材料基因工程高精尖創新中心的呂昭平教授和劉雄軍教授團隊提出了一種利用可解釋性的XGBoost機器學習算法輔助設計高熱穩定性和高飽和磁感應強度軟磁鐵基非晶合金的方法，同時深入挖掘重要特征背后的物理意義并建立了具有高準確度的性能預測準則，為新型軟磁鐵基非晶合金的研發提供了新思路，可顯著提高合金研發效率、降低研發成本。

圖2. ML預測的實驗驗證。 基于XGBoost算法，該工作具體包括：1）建立鐵基非晶合金數據集；2）數據集預處理，輸入參數“指紋化”，將N組樣本中，每組數據的合金成分比例信息和計算的原子尺寸差等本征屬性作為輸入特征，飽和磁感應強度和初始晶化溫度作為輸出變量；3）建立機器學習預測模型，進行重要特征提取，結合提取的重要特征，進一步推導出具有物理意義的軟磁性能和熱穩定性與重要特征之間的關系，進而實現基于物理冶金學理論的特征降維，獲得可解釋性的量化預測準則；4）合金設計準則的實驗驗證，通過測量制備的不同軟磁鐵基非晶合金的飽和磁感應強度(Bs)和晶化溫度(Tx)，并與機器學習準則對比。作者發現，Bs和Tx預測誤差分別低于10%和5%，從而驗證了XGBoost機器學習模型的可靠性和合理性。作者們基于現有鐵基非晶合金軟磁性能和熱穩定性的實驗數據，利用機器學習模型可同時預測未知鐵基軟磁非晶合金的飽和磁感應強度（Bs）和初始晶化溫度（Tx），具有工作量小、可解釋性強、精度高、可靠性高、可操作性強等優點，有望應用于設計不同體系軟磁鐵基非晶合金。

責任編輯：lq