AI 发现的新形状记忆合金 为未来材料开发提供了概念证明

形状记忆合金 (SMA) 是固态驱动和热能收集应用的优秀候选材料。然而，与温度诱导的马氏体转变相关的不可逆微观结构机制导致效率低下，限制了它们的使用。

近日，来自得克萨斯农工大学（TAMU）材料科学与工程系的研究人员使用人工智能材料选择框架 (AIMS) 发现了一种新的形状记忆合金。形状记忆合金在镍钛基材料中表现出迄今为止最高的效率。此外，他们的数据驱动框架为未来材料开发提供了概念证明。

该研究以「Data-driven shape memory alloy discovery using Artificial Intelligence Materials Selection (AIMS) framework」为题，发表在《Acta Materialia》上。

形状记忆合金是通过热弹性与马氏体相变及其逆变而具有形状记忆效应的由两种以上金属元素所构成的材料。形状记忆合金是形状记忆材料中形状记忆性能最好的材料。迄今为止，人们发现具有形状记忆效应的合金有 50 多种。

形状记忆合金被用于需要紧凑、轻便和固态驱动的各个领域，取代液压或气动驱动器，因为它们可以在低温下变形，然后在加热时恢复到原来的形状。这种独特的性能对于应用至关重要，例如作为飞机机翼、喷气发动机和汽车部件，它们必须承受反复的、可恢复的大形状变化。

自 20 世纪 60 年代中期以来，形状记忆合金取得了许多进步，但都是有代价的。理解和发现新的形状记忆合金需要通过实验和临时试验和错误进行广泛的研究。尽管许多已经记录在案大约每 10 年，就会发现一种重要的形状记忆合金成分或系统。此外，即使形状记忆合金取得了进步，它们也受到能量效率低的阻碍，这是由于在大的形状变化过程中其微观结构的不相容性造成的。此外，众所周知，它们很难从头开始设计。

为了解决这些缺点，TAMU 的研究人员结合实验数据创建了一个人工智能材料选择（AIMS）计算框架，该框架能够确定最佳材料成分并处理这些材料，从而发现了一种新的形状记忆合金成分：Ni32Ti47Cu21 (at. %)。

本研究使用的 AIMS 框架的材料信息学策略，在 50 MPa 或更高的施加应力下寻找具有最小转换范围和至少 1.5% 的驱动应变的 SMA。

该过程需要使用机器从文献和高通量实验中提取和清理有关材料系统的大量数据。AIMS 框架使用各种机器学习方法来指导材料的探索和发现。学习发现有关材料系统的定性和定量信息，并对未知的材料成分和加工参数进行预测。然后合成选定的材料，并将预测与实验数据进行比较，并重复该过程。

在使用 AIMS 进行的研究中发现的形状记忆合金被预测，并证明可以实现有史以来最窄的滞后。换句话说，该材料在将热能转换为机械功时表现出最低的能量损失。由于相变温度窗口极小，该材料在进行热循环时表现出很高的效率。该材料在重复驱动下也表现出良好的循环稳定性。

镍钛铜成分是形状记忆合金的典型组成。镍钛铜合金通常含有 50% 的钛并形成单相材料。使用机器学习，研究人员预测了一种不同的成分，钛含量为 47%，铜含量为 21%。

虽然这种成分处于两相区域并形成颗粒，但它们有助于提高材料的性能，材料科学与工程系的博士生和研究生研究助理、该论文的第一作者 William Trehern 解释说。

特别是，这种高效的形状记忆合金适合于利用机器产生的废弃能量的热能收集和冷却电子设备的热能储存。

值得注意的是，AIMS 框架提供了在材料科学中使用机器学习技术的机会。研究人员看到了为各种其他应用发现更多具有所需特性的形状记忆合金化学物质的潜力。

Karaman 说：“使用机器学习来发现我们的大脑或已知物理原理可能无法解释的联系是一个启示。我们可以使用数据科学和机器学习来加快材料发现的速度。我也相信如果我们关注机器学习可以找到的联系，我们就有可能发现我们以前不知道的材料行为背后的新物理或机制。”

Arróyave 说：“虽然机器学习现在广泛用于材料科学，但迄今为止的大多数方法都侧重于预测材料的特性，而不一定解释如何处理它以实现目标特性。在这里，该框架不仅着眼于候选材料的化学成分，而且也关注获得感兴趣的特性所需的处理。”