机器学习具有丰富的材料组成空间和广泛的调控角度，因此成为高熵材料研究领域非常重要的方法，受到人们的广泛关注。高熵材料的复杂结构使得传统实验和理论计算方法面临挑战，进一步导致需要使用机器学习技术。从微观角度，机器学习能够建立高熵体系的Hamiltonian模型，从而能够研究材料的原子尺度性质；从宏观角度，机器学习能够研究硬度、熔点、耐久性等性质。机器学习研究高熵材料能够使用多种算法，包括传统的算法以及比较新颖的深度神经网络算法。详细和准确的数据、调控材料的特征、通过交叉验证进行模型训练和样本选择是得到优异机器学习模型的关键。此外，机器学习可能准确分析高熵材料的晶相和稳定性，构筑高熵材料的前景，有助于功能材料的发展和设计。同时，磁性和器件材料等领域仍然需要进一步的研究。机器学习展示了非常强的高熵材料研究前景，因此机器学习成为研究高熵材料过程中必不可少的技术手段，而且机器学习为人工智能发展新型材料提供方法。

有鉴于此，武汉大学郭宇铮等综述机器学习技术在研究高熵材料领域的进展和前景。

主要内容

（1）

首先从微观和宏观角度介绍高熵合金材料的建模，展示代表性的机器学习算法，数据收集，高熵材料的特征，高熵材料模型的选取/训练/分析；

（2）

通过机器学习技术设计高熵材料，包括高熵材料的晶相结构，稳定性，蒙特卡洛方法/分子动力学建模/蒙特卡洛-分子动力学建模结合；

总结各种高熵合金功能材料，包括高温材料、高强度高硬度高耐久性高耐磨损材料、磁性材料和器件材料、生物医药材料、催化材料、电池材料；

最后进行总结和展望。

参考文献

Xuhao Wan, Zeyuan Li, Wei Yu, Anyang Wang, Xue Ke, Hailing Guo, Jinhao Su, Li Li, Qingzhong Gui, Songpeng Zhao, John Robertson, Zhaofu Zhang, Yuzheng Guo, Machine Learning Paves the Way for High Entropy Compounds Exploration: Challenges, Progress, and Outlook, Adv. Mater. 2023

DOI: 10.1002/adma.202305192

https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202305192